Glavni dijelovi uvodnog programa. "Informatika i računarstvo"

Razvoj umjetne inteligencije

Povijest umjetne inteligencije započeo ne tako davno. U drugoj polovici 20. stoljeća formuliran je koncept umjetna inteligencija(umjetna inteligencija) i predloženo je nekoliko definicija. Jedna od prvih definicija, koja unatoč velikoj širini tumačenja, još uvijek nije izgubila na važnosti, predstavljanje umjetne inteligencije kao: “Način da se računalo natjera da razmišlja kao osoba”.

Relevantnost intelektualizacije računalnih sustava određena je ljudskom potrebom za pronalaženjem rješenja za takve stvarnosti suvremenog svijeta kao što su netočnost, dvosmislenost, nesigurnost, nejasnost i nerazumnost informacija. Potreba za povećanjem brzine i primjerenosti ovog procesa potiče stvaranje računalnih sustava, kroz interakciju sa stvarnim svijetom pomoću robotike, proizvodne opreme, instrumenata i drugog hardvera, koji mogu doprinijeti njegovoj implementaciji.

Računalni sustavi čija se osnova temelji isključivo na klasičnoj logici – odnosno algoritmima za rješavanje poznatih problema, nailaze na probleme u susretu s neizvjesnim situacijama. Nasuprot tome, živa bića, iako inferiorna u brzini, sposobna su donositi uspješne odluke u takvim situacijama.

Primjer umjetne inteligencije

Primjer je slom burze 1987. godine kada su računalni programi prodali stotine milijuna dolara vrijedne dionice kako bi ostvarili profit od nekoliko stotina dolara, čime su zapravo stvoreni preduvjeti za slom. Situacija je ispravljena nakon prijenosa pune kontrole nad burzovnim trgovanjem na protoplazmatske inteligentne sustave, odnosno na ljude.

Definirajući pojam inteligencije kao znanstvene kategorije, treba je shvatiti kao prikladnost sustava za učenje. Tako se jedna od najkonkretnijih, po našem mišljenju, definicija umjetne inteligencije tumači kao sposobnost automatiziranih sustava da stječu, prilagođavaju, modificiraju i proširuju znanje kako bi pronašli rješenja za probleme čija je formalizacija teška.

U ovoj definiciji pojam "znanje" ima kvalitativnu razliku od pojma informacije. Ta se razlika dobro očituje u prikazu ovih pojmova u formi informacijska piramida na slici 1.

Slika 1 - Informacijska piramida

Temelji se na podacima, sljedeću razinu zauzimaju informacije, a razina znanja zaokružuje piramidu. Kako se krećete prema informacijskoj piramidi, količina podataka pretvara se u vrijednost informacija, a zatim u vrijednost znanja. Odnosno, informacija nastaje u trenutku interakcije između subjektivnih podataka i objektivnih metoda njihove obrade. Znanje se formira na temelju formiranja raspodijeljenih odnosa između heterogenih informacija, pri čemu se stvara formalni sustav - način njihovog odražavanja u preciznim pojmovima ili iskazima.

Upravo podrška takvom sustavu - sustavu znanja, u tako suvremenom stanju, omogućuje izgradnju akcijskih programa za pronalaženje rješenja za zadatke koji su im dodijeljeni, uzimajući u obzir specifične situacije koje se javljaju u određenoj vremenskoj točki u okruženju, to je zadatak umjetne inteligencije. Stoga se umjetna inteligencija može zamisliti i kao univerzalni nad-algoritam sposoban stvarati algoritme za rješavanje novih problema.

Maslennikova O.E. , Popova I.V.

Tutorial. Magnitogorsk: MaSU, 2008. 282 str. Udžbenik prikazuje modele reprezentacije znanja, teoriju ekspertnih sustava, osnove logičkog i funkcionalnog programiranja. Mnogo je pažnje posvećeno povijesti razvoja umjetne inteligencije. Izlaganje gradiva popraćeno je velikim brojem ilustracija, ponuđene su vježbe i pitanja za samokontrolu.
Rad je namijenjen redovitim i izvanrednim studentima koji studiraju u smjerovima “Računalstvo”, “Fizičko-matematičko obrazovanje (profil – Računalstvo)” Uvod u umjetnu inteligenciju.
Povijest razvoja umjetne inteligencije kao znanstveni smjer.
Glavni pravci istraživanja u području umjetne inteligencije.
Filozofski aspekti problema umjetne inteligencije.
Pitanja za samokontrolu.
Književnost.
Modeli reprezentacije znanja.
Znanje.
Logički model reprezentacije znanja.
Semantičke mreže.
Okviri.
Model proizvoda.
Ostali modeli reprezentacije znanja.
Vježbe.
Pitanja za samokontrolu.
Književnost.
Ekspertni sustavi.
Pojam ekspertnog sustava.
Vrste ekspertnih sustava i vrste problema koje treba riješiti.
Struktura i načini rada ekspertnog sustava.
Tehnologija razvoja ekspertnih sustava.
Alati ekspertnog sustava.
Inteligentni informacijski sustavi.
Vježbe.
Pitanja za samokontrolu.
Književnost.
Prolog kao logički programski jezik.
Uvod u logičko programiranje.
Predstavljanje znanja o predmetnom području u obliku činjenica i pravila Prolog baze znanja.
Deskriptivno, proceduralno i strojno značenje Prolog programa.
Osnovne tehnike programiranja u Prologu.
Visual Prolog okruženje.
Vježbe.
Književnost.
Uvod u funkcionalno programiranje.
Povijest funkcionalnog programiranja.
Svojstva funkcionalnih programskih jezika.
Zadaci funkcionalnog programiranja.
Vježbe.
Odgovori za samotestiranje.
Književnost.
ssariy.
Prilog 1.
Dodatak 2.
Dodatak 3.

Datoteka će biti poslana na odabranu adresu e-pošte. Može proći 1-5 minuta prije nego što ga primite.

Datoteka će biti poslana na vaš Kindle račun. Može proći 1-5 minuta prije nego što ga primite.
Napominjemo da morate dodati našu e-poštu [e-mail zaštićen] na odobrene e-mail adrese. Čitaj više.

Možete napisati recenziju knjige i podijeliti svoja iskustva. Druge će čitatelje uvijek zanimati vaše mišljenje o knjigama koje ste pročitali. Bilo da vam se knjiga svidjela ili ne, ako iznesete svoja iskrena i detaljna razmišljanja, ljudi će pronaći nove knjige koje im odgovaraju.

Ministarstvo obrazovanja i znanosti Ruske Federacije Državna obrazovna ustanova visokog stručnog obrazovanja "Magnitogorsk State University" O.E. Maslennikova, I.V. Popova Fundamentals of Artificial Intelligence Textbook Magnitogorsk 2008 UDC 681.142.1.01 BBK Z97 M Recenzenti: doktor fizičkih i matematičkih znanosti, profesor S.I. Kadchenko Doktor tehničkih znanosti, profesor A.S. Sarvarov M Maslennikova O.E., Popova I.V. Osnove umjetne inteligencije: udžbenik. dodatak / O.E. Maslennikova, I.V. Popova. - Magnitogorsk: MaSU, 2008. - 282 str. ISBN 978-5.86781-609-4 Udžbenik prikazuje modele reprezentacije znanja, teoriju ekspertnih sustava te osnove logičkog i funkcionalnog programiranja. Mnogo je pažnje posvećeno povijesti razvoja umjetne inteligencije. Izlaganje gradiva popraćeno je velikim brojem ilustracija, ponuđene su vježbe i pitanja za samokontrolu. Rad je namijenjen redovitim i izvanrednim studentima koji studiraju u područjima “Informatika”, “Fizičko-matematičko obrazovanje (Profil – informatika)”. UDC 681.142.1.01 BBK Z97 ISBN 978-5.86781-609-4  Maslennikova O.E., Popova I.V., 2008  Magnitogorsk State University, 2008 -2- SADRŽAJ POGLAVLJE 1. UVOD U UMJETNU INTELIGENCIJU..... ...... ......... 5 1.1. POVIJEST RAZVOJA UMJETNE INTELIGENCIJE KAO ZNANSTVENOG PRAVCA...................................... ............................ ...................... ................................. .......... 9 1.2. GLAVNI PRAVCI ISTRAŽIVANJA U PODRUČJU UMJETNE INTELIGENCIJE......................................... ........................ ........................ ................................................. 13 1.3. FILOZOFSKI ASPEKTI PROBLEMA UMJETNE INTELIGENCIJE....... 16 PITANJA ZA SAMOKONTROLU................................... ............. ..................................... ...... 21 LITERATURA...... ................................... .................... .............................. ............ 21 POGLAVLJE 2. MODELI REPREZENTACIJE ZNANJA.................................. ...... 22 2.1. ZNANJE................................................. ................................................. ...... ....... 22 2.2. LOGIČKI MODEL REPREZENTACIJE ZNANJA.................................................. ....... 25 2.3. SEMANTIČKE MREŽE................................................. .... ................................................. 58 2.4. OKVIRI..................................................... ......................................................... ............... 59 2.5. MODEL PROIZVODA................................................ .... ............................................ 62 2.6. DRUGI MODELI REPREZENTACIJE ZNANJA.................................................. ....................... .... 64 VJEŽBE..................... ............................ ...................... ................................. ......... 78 PITANJA ZA SAMOKONTROLU. ................................................................... ....................... 83 LITERATURA......... ................ ............................................ .......... ...................................... 84 POGLAVLJE 3. EKSPERTNI SUSTAVI....... ................................................. ......... 86 3.1. POJAM EKSPERTNOG SUSTAVA................................................. ........................ ............... 86 3.2. VRSTE EKSPERTNIH SUSTAVA I VRSTE PROBLEMA KOJI SE RJEŠAVAJU.................................. 89 3.3. STRUKTURA I NAČINI RADA EKSPERTNOG SUSTAVA.................................................. ......... 99 3.4. TEHNOLOGIJA ZA RAZVOJ EKSPERTNIH SUSTAVA.................................................. ....... 102 3.5. ALATI EKSPERTNOG SUSTAVA.............................................. 113 3.6. INTELIGENTNI INFORMACIJSKI SUSTAVI.................................................. 129 VJEŽBE..................................................... ................... .............................. ...... 135 PITANJA ZA SAMOKONTROLU....... ................................. ......................... ................. 136 KNJIŽEVNOST...... .............................. .................... ................................................................... ......... 138 POGLAVLJE 4. PROLOG KAO LOGIČKI PROGRAMSKI JEZIK................... ............ ............................................ ...... .... 139 4.1. UVOD U LOGIČKO PROGRAMIRANJE................................... 139 4.2. PRIKAZ ZNANJA O PREDMETNOM DOMENU S POGLEDA NA ČINJENICE I PRAVILA PROLOG BAZE ZNANJA................................... ........................ ........................ ........................ 140 4.3 . DESKRIPTIVNO, PROCEDURALNO I STROJNO ZNAČENJE PROLOG PROGRAMA............................................ ........................ ........................ .............................. ............ 148 4.4. OSNOVNE TEHNIKE PROGRAMIRANJA U PROLOGU.................................. 151 4.5. OKRUŽENJE VIZUALNOG PROLOGA............................................. ..... ................................ 154 VJEŽBE........... ......................................................... .............. ................................. 194 LITERATURA ............................................. .................... .............................. ........... 197 -3- POGLAVLJE 5. UVOD FUNKCIONALNO PROGRAMIRANJE. ................................................. ...... ........................ 199 5.1. POVIJEST FUNKCIONALNOG PROGRAMIRANJA.................................................. .... 200 5.2. SVOJSTVA FUNKCIONALNIH PROGRAMSKIH JEZIKA.................................. 203 5.3. PROBLEMI FUNKCIONALNOG PROGRAMIRANJA..................................... 207 VJEŽBE........ ................................................. ....... ............................................. 210 SAMO- ODGOVORI NA ISPITIVANJE ......................................................... .............. ..................... 210 LITERATURA............. .................. ................................ ........................ ........................ 211 RJEČNIK .............................................. ........... ............................................ ..... ...................... 213 DODATAK 1 .................. ....... ................................................. ........................ 221 DODATAK 2 ................... ................................................. ...... ....................... 252 DODATAK 3 ................. .......... ............................................ ................ ..................... 265 -4- PREDGOVOR U posljednje vrijeme bilježi se porast u interes za umjetnu inteligenciju, uzrokovan sve većim zahtjevima za informacijskim sustavima. Čovječanstvo se neprestano kreće prema novoj informacijskoj revoluciji, koja se po razmjerima može usporediti s razvojem interneta. Umjetna inteligencija je grana računalne znanosti čiji je cilj razviti hardver i softver koji korisniku koji nije programer omogućuje postavljanje i rješavanje vlastitih, tradicionalno smatranih intelektualnim, problema komuniciranjem s računalom u ograničenom podskupu prirodnog jezika. Povijest umjetne inteligencije kao novog znanstvenog pravca počinje sredinom 20. stoljeća. U to su vrijeme već bili formirani mnogi preduvjeti za njegov nastanak: među filozofima se dugo vodila rasprava o prirodi čovjeka i procesu razumijevanja svijeta, neurofiziolozi i psiholozi razvili su niz teorija o radu ljudskog mozga. i razmišljanja, ekonomisti i matematičari postavljali su pitanja o optimalnim izračunima i prezentaciji znanja o svijetu u formaliziranom obliku; konačno, rođen je temelj matematičke teorije izračuna - teorija algoritama - i stvorena su prva računala. Svrha ovog priručnika je prikazati glavne smjernice i metode koje se koriste u umjetnoj inteligenciji, kao i utvrditi mogućnost njihove primjene u stručnoj nastavi. Ovaj vodič za učenje sastoji se od pet poglavlja. Prvi daje kratak uvod u umjetnu inteligenciju: razmatra se povijest njezina razvoja kao znanstvenog pravca, ističu se glavna područja umjetne inteligencije i filozofski aspekti problema kao što su mogućnost postojanja, sigurnost i korisnost umjetne inteligencije. inteligencija se smatra. Drugo poglavlje posvećeno je opisu klasičnih modela reprezentacije znanja: logičkog, semantičkog, okvirnog, proizvodnog i neuromrežnog. U trećem poglavlju razmatraju se teorijska i praktična pitanja u razvoju ekspertnih sustava; daje opis ljuske XpertRule. Četvrto poglavlje prikazuje osnovne principe programiranja u jeziku Prolog i opisuje okruženje Visual Prolog. Peto poglavlje opisuje osnove funkcionalnog programiranja s primjerima u LISP-u. Priručnik sadrži velik broj ilustracija, vježbi i pitanja za samokontrolu. Radi lakšeg proučavanja gradiva priložen je rječnik. -5- POGLAVLJE 1. UVOD U UMJETNU INTELIGENCIJU Umjetna inteligencija (AI) novi je pravac u računalnoj znanosti čiji je predmet proučavanja svaka intelektualna aktivnost čovjeka koja se pokorava unaprijed poznatim zakonitostima. Slikovito se ovaj smjer naziva “starijim sinom računalne znanosti”, budući da mnogi neriješeni problemi postupno nalaze svoje rješenje u okviru umjetne inteligencije. Poznato je da je predmet informatike obrada informacija. Područje umjetne inteligencije uključuje takve slučajeve (zadatke) iz ove obrade koji se ne mogu izvesti jednostavnim i točnim algoritamskim metodama, a kojih ima jako puno. AI se oslanja na znanje o ljudskom misaonom procesu. Istodobno, ne zna se točno kako funkcionira ljudski mozak, ali za razvoj učinkovito radnih programa s elementima umjetne inteligencije dovoljno je znanje o karakteristikama ljudske inteligencije koje znanost danas ima. Pritom AI ne pokušava točno kopirati rad ljudskog mozga, već pokušava simulirati njegove funkcije pomoću računalne tehnologije. Od svog rođenja, umjetna inteligencija se razvijala kao interdisciplinarno područje, u interakciji s računarstvom i kibernetikom, kognitivnim znanostima, logikom i matematikom, lingvistikom i psihologijom, biologijom i medicinom (slika 1). Računalstvo i kibernetika. Mnogi su stručnjaci došli u AI iz računalnih znanosti i kibernetike. Također, mnogi kombinatorni problemi koji se ne mogu riješiti tradicionalnim metodama u računalnim znanostima migrirali su u polje umjetne inteligencije. Osim toga, rezultati dobiveni u umjetnoj inteligenciji posuđuju se prilikom izrade softvera i postaju dio računalne znanosti. Kognitivne znanosti. Kognitivne znanosti su znanosti o znanju. AI također govori o znanju. No, kognitivne znanosti ne koriste samo informacijske i neurobiološke pristupe, već razmatraju i socijalne i psiholingvističke aspekte korištenja znanja. Logika i matematika. Logika je temelj svih poznatih formalizama predstavljanja znanja, kao i programskih jezika kao što su Lisp i Prolog. Za rješavanje problema umjetne inteligencije koriste se metode diskretne matematike, teorije igara i teorije operacija. S druge strane, AI se može koristiti za dokazivanje teorema i rješavanje problema u raznim područjima matematike: geometrija, integralni račun. Psihologija i lingvistika. Nedavno su se stručnjaci za umjetnu inteligenciju zainteresirali za psihološke aspekte ljudskog ponašanja kako bi ga modelirali. Psihologija pomaže u izgradnji modela procjene vrijednosti i subjektivnog odlučivanja. Od interesa je psihologija komunikacije -6- “čovjek-računalo”, psiholingvistika. Računalna lingvistika je dio umjetne inteligencije koji se temelji na matematičkim metodama za obradu prirodnih i umjetnih jezika, s jedne strane, i na fenomenologiji jezika, s druge strane. Biologija i medicina omogućuju nam da bolje proučimo i razumijemo funkcioniranje mozga, sustava vida, sluha i drugih prirodnih senzora te damo novi poticaj modeliranju njihova rada. Riža. 1. Interakcija umjetne inteligencije s drugim disciplinama Ne postoji jedinstvena definicija umjetne inteligencije, kao što ne postoji ni jedinstvena definicija prirodne inteligencije. Među brojnim stajalištima o ovom znanstvenom području trenutno dominiraju tri. 1. Istraživanja u području umjetne inteligencije temeljna su istraživanja u okviru kojih se razvijaju modeli i metode za rješavanje problema koji su se tradicionalno smatrali inteligentnima i prije nisu bili podložni formalizaciji i automatizaciji. 2. AI je novi smjer u računalnoj znanosti povezan s novim idejama za rješavanje problema na računalu, s razvojem bitno drugačije tehnologije programiranja, s prijelazom na računalnu arhitekturu koja odbacuje klasičnu arhitekturu, koja datira još iz prvih računala. 3. Kao rezultat rada u području umjetne inteligencije rađaju se mnogi aplikativni sustavi koji rješavaju probleme za koje prethodno stvoreni sustavi nisu bili prikladni. -7- Kako bismo ilustrirali prvi pristup, možemo dati primjer s kalkulatorom. Početkom stoljeća aritmetički proračuni s višeznamenkastim brojevima bili su dio nekolicine nadarenih pojedinaca, a sposobnost izvođenja takvih aritmetičkih operacija u umu s pravom se smatrala jedinstvenim darom prirode i bila je cilj znanstveno istraživanje . Danas je izum kalkulatora ovu sposobnost učinio dostupnom čak i učeniku trećeg razreda. Isto je i s umjetnom inteligencijom: ona poboljšava intelektualne sposobnosti osobe preuzimajući na sebe rješavanje prethodno neformaliziranih problema. Za ilustraciju drugog pristupa možemo razmotriti priču o pokušaju stvaranja računala pete generacije. Sredinom 80-ih Japan je najavio početak ambicioznog projekta stvaranja računala pete generacije. Projekt se temeljio na ideji hardverske implementacije PROLOG jezika. No, projekt je završio neuspjehom, iako je imao snažan utjecaj na razvoj i širenje PROLOG-a kao programskog jezika. Razlog neuspjeha bio je ishitreni zaključak da jedan jezik (iako prilično univerzalan) može pružiti jedino rješenje za sve probleme. Praksa je pokazala da univerzalna programska paradigma za rješavanje svih problema još nije izmišljena i malo je vjerojatno da će se pojaviti. To je zbog činjenice da je svaki zadatak dio predmetnog područja koji zahtijeva pažljivo proučavanje i specifičan pristup. Pokušaji stvaranja novih računalnih arhitektura se nastavljaju i povezani su s paralelnim i distribuiranim računalstvom, neuroračunalima, probabilističkim i neizrazitim procesorima. Rad na području stvaranja ekspertnih sustava (ES) može se svrstati u treći, najpragmatičniji smjer u AI. Ekspertni sustavi su softverski sustavi koji zamjenjuju čovjeka stručnjaka u uskim područjima intelektualne djelatnosti koja zahtijevaju korištenje posebnih znanja. Stvaranje elektroničkog sustava u području medicine (kao što je MYCIN) omogućuje širenje znanja u najudaljenija područja. Dakle, u kombinaciji s telekomunikacijskim pristupom, svaki seoski liječnik može dobiti savjet iz takvog sustava, koji mu zamjenjuje komunikaciju sa specijalistom o uskom problemu. U Rusiji je AI pronašao svoje pristaše gotovo od trenutka svog pojavljivanja. Međutim, ova disciplina nije odmah dobila službeno priznanje. AI je kritizirana kao podgrana kibernetike, koja se smatra "pseudoznanošću". Do određenog trenutka šokantan naziv "umjetna inteligencija" također je igrao negativnu ulogu. Tako je u Prezidiju Akademije znanosti bila šala da se "umjetnom inteligencijom bave oni kojima nedostaje prirodne inteligencije". Međutim, danas je AI službeno priznat znanstveni smjer u Rusiji, objavljuju se časopisi “Control Systems and Machines” i “AI News”, održavaju se znanstvene konferencije i seminari. Postoji Ruska udruga AI s oko 200 članova, čiji je predsjednik doktor tehničkih znanosti D. A. Pospelov, i -8- akademik RAS G.S. Pospelov kao počasni predsjednik. Postoji Ruski institut za umjetnu inteligenciju pri Vijeću predsjednika Ruske Federacije za informatiku i računarstvo. Unutar RAS postoji Znanstveno vijeće za problem “Umjetna inteligencija”. Uz sudjelovanje ovog Vijeća objavljene su mnoge knjige na temu umjetne inteligencije i prijevodi. Poznati su radovi D. A. Pospelova, Litvintseve i Kandrashine - u području reprezentacije i obrade znanja E.V. Popov i Khoroshevsky - u području obrade prirodnog jezika i ekspertnih sustava, Averkin i Melikhov u području neizrazite logike i neizrazitih skupova, Stefanyuk - u području sustava učenja, Kuznetsov, Finn i Vagin - u području logike i znanja reprezentacija. U Rusiji postoji tradicionalno jaka računalna lingvistička škola, koja potječe iz rada na Melchukovom modelu “SenseText”. Među poznatim računalnim lingvistima mogu se navesti Apresyan, Gorodetsky, Paducheva, Narignani, Leontyeva, Shalyapina, Zaliznyak stariji, Kibrik stariji, Baranov i mnogi drugi. itd. 1.1. Povijest razvoja umjetne inteligencije kao znanstvenog pravca Ideja o stvaranju umjetne sličnosti ljudskog uma za rješavanje složenih problema i simulaciju sposobnosti razmišljanja lebdi u zraku od davnina. U starom Egiptu stvorena je "oživjela" mehanička statua boga Amona. U Homerovoj Ilijadi, bog Hefest je kovao humanoidna stvorenja, automate. Ova ideja je mnogo puta prikazana u književnosti: od Pigmalionove Galateje do Pinokija pape Karla. Međutim, rodonačelnikom umjetne inteligencije smatra se srednjovjekovni španjolski filozof, matematičar i pjesnik R. Lull (oko 1235.-oko 1315.) koji je u 14.st. pokušao stvoriti stroj za rješavanje raznih problema na temelju univerzalne klasifikacije pojmova. U 18. stoljeću G. Leibniz (1646. - 1716.) i R. Descartes (1596. - 1650.) neovisno su razvili ovu ideju, predlažući univerzalni jezici klasifikacije svih znanosti. Te su ideje stvorile osnovu za teorijski razvoj u području umjetne inteligencije (slika 2). Razvoj umjetne inteligencije kao znanstvenog pravca postao je moguć tek nakon stvaranja računala. To se dogodilo 40-ih godina. XX. stoljeća U isto vrijeme N. Wiener (1894. - 1964.) stvara svoja temeljna djela o novoj znanosti kibernetike. Pojam umjetna inteligencija predložen je 1956. godine na istoimenom seminaru na Sveučilištu Stanford (SAD). Seminar je bio posvećen razvoju logičkih, a ne računalnih problema. Ubrzo nakon što je umjetna inteligencija priznata kao samostalna grana znanosti, došlo je do podjele na dva glavna područja: neurokibernetiku i kibernetiku “crne kutije”. I tek u sadašnjem -9- vremenu postale su primjetne tendencije ponovnog spajanja tih dijelova u jedinstvenu cjelinu. U SSSR-u je 1954. godine na Moskovskom državnom sveučilištu, pod vodstvom profesora A.A.Ljapunova (1911. - 1973.), započeo s radom seminar "Automati i mišljenje". Na ovom seminaru sudjelovali su istaknuti fiziolozi, lingvisti, psiholozi i matematičari. Opće je prihvaćeno da je u to vrijeme u Rusiji rođena umjetna inteligencija. Kao iu inozemstvu, pojavila su se područja neurokibernetike i kibernetike "crne kutije". Godine 1956. -1963. Provedene su intenzivne potrage za modelima i algoritmima ljudskog mišljenja i razvoj prvih programa. Pokazalo se da niti jedna od postojećih znanosti – filozofija, psihologija, lingvistika – ne može ponuditi takav algoritam. Tada je kibernetika predložila stvaranje vlastitih modela. Kreirani su i testirani različiti pristupi. Prva istraživanja u području umjetne inteligencije povezana su s izradom programa za igranje šaha, jer se vjerovalo da je sposobnost igranja šaha pokazatelj visoke inteligencije. Godine 1954. američki znanstvenik Newell zamislio je stvaranje takvog programa. Shannon je predložio, a Turing rafinirao metodu za stvaranje takvog programa. Amerikanci Shaw i Simon u suradnji s grupom nizozemskih psihologa iz Amsterdama pod vodstvom de Groota osmislili su takav program. Usput je stvoren i poseban jezik IPL1 (1956.), dizajniran za manipuliranje informacijama u simboličkom obliku, koji je bio prethodnik jezika Lisp (MacCarthy, 1960.). Međutim, prvi program umjetne inteligencije bio je program Theoretical Logician, dizajniran za dokazivanje teorema u iskaznom računu (9. kolovoza 1956.). Program za igranje šaha nastao je 1957. godine (NSS - Newell, Shaw, Simon). Njegova struktura i struktura programa Logic-Theorist činili su osnovu za stvaranje programa za univerzalno rješavanje problema (GPS-General Problem Solving). Analizirajući razlike između situacija i konstruirajući ciljeve, ovaj je program dobar u rješavanju zagonetki Hanojskog tornja ili izračunavanju neodređenih integrala. Program EPAM (Elementary Perceiving and Memorizing Program) je elementarni program za percepciju i pamćenje, čiji je idejni tvorac Feigenbaum. Godine 1957. pojavio se članak o transformacijskim gramatikama Chomskog, jednog od utemeljitelja računalne lingvistike. Krajem 50-ih. Rođen je model pretraživanja labirinta. Ovaj pristup predstavlja problem kao graf koji odražava prostor stanja1, au tom grafu se traži optimalan put od ulaznih podataka do rezultantnih podataka. Mnogo se radilo na razvoju ovog modela, ali ideja nije dobila široku prihvaćenost u rješavanju praktičnih problema. 1 Prostor stanja je graf čiji vrhovi odgovaraju situacijama koje se susreću u problemu (“problem situacije”), a rješavanje problema se svodi na pronalaženje putanje u tom grafu. - 10 - Ranih 60-ih. - doba heurističkog programiranja. Heuristika je pravilo koje nije teoretski opravdano, ali vam omogućuje smanjenje broja pretraživanja u prostoru pretraživanja. Heurističko programiranje je razvoj strategije djelovanja na temelju poznatih, unaprijed određenih heuristika. U 60-ima su stvoreni prvi programi koji su radili s upitima na prirodnom jeziku. Program BASEBALL (Green et al., 1961.) odgovorio je na zahtjeve za rezultatima prošlih bejzbol utakmica, a program STUDENT (Bobrow, 1964.) uspio je riješiti algebarske probleme formulirane na engleskom jeziku. Riža. 2. Prekretnice u razvoju umjetne inteligencije kao znanstvenog pravca Velike su se nade polagale u rad na području strojnog prevođenja, čiji je početak povezan s imenom domaće lingvistice Belskaya. Međutim, trebalo je mnogo godina da istraživači shvate da automatsko prevođenje nije izoliran problem i da zahtijeva nužan korak koji se zove razumijevanje da bi bio uspješan. Među najznačajnijim rezultatima do kojih su domaći znanstvenici došli 60-ih godina treba istaknuti algoritam “Cora” M. Bongarda, koji modelira aktivnost ljudskog mozga u prepoznavanju uzoraka. Godine 1963. - 1970. god Za rješavanje problema počele su se koristiti metode matematičke logike. Novi pristup formalnoj logici, koji se temelji na dovođenju zaključivanja do proturječja, pojavio se 1965. - 11 - (J. Robinson). Na temelju metode razlučivanja, koja je omogućila automatsko dokazivanje teorema u prisutnosti skupa početnih aksioma, jezik Prolog stvoren je 1973. godine. U SSSR-u 1954.-1964. izrađuju se zasebni programi i istražuje se potraga za rješenjem logičkih problema . U Lenjingradu (LOMI - Leningrad Department of the V.A. Steklov Mathematical Institute) stvara se program koji automatski dokazuje teoreme (ALPEV LOMI). Temelji se na izvornoj inverznoj derivaciji S.Yu. Maslova, slično Robinsonovoj metodi rezolucije. Godine 1965.-1980 razvija se nova znanost - situacijski menadžment (odgovara prikazu znanja u zapadnoj terminologiji). Utemeljitelj ove znanstvene škole je profesor D.A. Pospelov. Razvijeni su posebni modeli za predstavljanje situacija – predstavljanje znanja. U inozemstvu istraživanja u području umjetne inteligencije prate razvoj programskih jezika nove generacije i stvaranje sve sofisticiranijih programskih sustava (Lisp, Prolog, Plannar, QA4, Macsyma, Reduce, Refal, ATNL, TMS). Dobiveni rezultati počinju se koristiti u robotici, pri upravljanju robotima, stacionarnim ili mobilnim, koji rade u realnom trodimenzionalnom prostoru. To otvara problem stvaranja umjetnih organa percepcije. Do 1968. istraživači su uglavnom radili s pojedinačnim "mikroprostorima", stvarali su sustave prikladne za tako specifična i ograničena područja primjene kao što su igre, euklidska geometrija, integralni račun, "svijet kocke", obrada jednostavnih i kratkih fraza s malim vokabularom. Gotovo svi ovi sustavi koristili su isti pristup - pojednostavljenje kombinatorike, temeljeno na smanjenju nužnog traženja alternativa na temelju zdravog razuma, korištenje numeričkih funkcija procjene i raznih heuristika. Početkom 70-ih dogodio se kvalitativni skok u istraživanju umjetne inteligencije. To je zbog dva razloga.  Prvo. Svi istraživači postupno su uvidjeli da svim prethodno stvorenim programima nedostaje ono najvažnije - duboko znanje u relevantnom području. Razlika između stručnjaka i običnog čovjeka je u tome što stručnjak ima iskustvo u određenoj oblasti, tj. godina skupljanog znanja.  Drugo. Postavlja se specifičan problem: kako to znanje prenijeti u program ako njegov neposredni kreator ne posjeduje to znanje. Odgovor je jasan: sam program ih mora izolirati od podataka dobivenih od stručnjaka. Istraživanje rješavanja problema i razumijevanja prirodnog jezika ima jedan zajednički problem: predstavljanje znanja. Do 1970. bilo je - 12 - mnogo programa stvorenih na temelju tih ideja. Prvi od njih je DENDRAL program. Dizajniran je za generiranje strukturnih formula kemijskih spojeva na temelju informacija primljenih iz masenog spektrometra. Program je razvijen na Stanfordu uz sudjelovanje nobelovca D. Lederberga. Iskustvo je stjecala u procesu vlastitog funkcioniranja. Stručnjak je u nju stavio mnogo tisuća elementarnih činjenica, predstavljenih u obliku zasebnih pravila. Sustav o kojem je riječ bio je jedan od prvih ekspertnih sustava i rezultati njegovog rada su nevjerojatni. Trenutno se sustav isporučuje potrošačima zajedno sa spektrometrom. Godine 1971. Terry Winograd razvio je sustav SHRDLU, koji simulira robota koji manipulira kockama. S robotom možete razgovarati engleski. Sustav nije zainteresiran samo za sintaksu fraza, već i ispravno razumije njihovo značenje zahvaljujući semantičkom i pragmatičkom znanju o svom "svijetu kockica". Od sredine 80-ih umjetna inteligencija se komercijalizira u inozemstvu. Rastu godišnje kapitalne investicije, stvaraju se industrijski ekspertni sustavi. Sve je veći interes za samoučeće sustave. U našoj zemlji 1980-1990. Provode se aktivna istraživanja u području reprezentacije znanja, razvijaju se jezici za reprezentaciju znanja i ekspertni sustavi (više od 300). Jezik REFAL se stvara na Moskovskom državnom sveučilištu. Godine 1988. osnovana je AAI - Udruga umjetne inteligencije. Članovi su više od 300 istraživača. Predsjednik Udruge - D.A. Pospelov. Najveći centri su u Moskvi, Sankt Peterburgu, Pereslavl-Zalessky, Novosibirsk. 1.2. Glavni pravci istraživanja u području umjetne inteligencije Trenutno je umjetna inteligencija brzo razvijajuće i vrlo razgranano znanstveno područje. Samo o računalnoj lingvistici godišnje se u svijetu održi više od 40 konferencija. Nacionalne AI konferencije redovito se održavaju u gotovo svim europskim zemljama, kao iu SAD-u, Kanadi, Japanu, Rusiji i jugoistočnoj Aziji. U Rusiji se ovaj događaj održava svake dvije godine pod pokroviteljstvom Ruske udruge za AI (RAAI). Osim toga, Međunarodna zajednička konferencija o umjetnoj inteligenciji (IJCAI) održava se svake dvije godine. Više od 3 tisuće časopisa objavljuje znanstvene rezultate iz ovog područja. Ne postoji potpuna i stroga klasifikacija svih područja umjetne inteligencije; pokušaj klasifikacije problema koje umjetna inteligencija rješava prikazan je na sl. 3. Prema klasifikaciji D.A. Pospelova u AI postoje dva dominantna pristupa istraživanju u području AI: neurobionski i informacijski (sl. 4 i 5). - 13 - zadaci Općenito Formalno Ekspertne igre percepcije (šah, go, slagalice) Inženjerstvo Obrada prirodnog jezika Matematika Znanstvena analiza Geometrija zdravog razuma Financijska analiza Kontrola robota Verifikacija programa Medicinska dijagnostika Sl. 3. Ciljevi umjetne inteligencije Zagovornici prvog postavili su sebi cilj umjetne reprodukcije procesa koji se odvijaju u ljudskom mozgu. Ovaj smjer je na sjecištu medicine, biologije i kibernetike. U isto vrijeme, oni proučavaju ljudski mozak, identificiraju načine na koje on funkcionira i stvaraju tehnička sredstva za repliciranje bioloških struktura i procesa koji se u njima odvijaju. Područje umjetne inteligencije može se podijeliti u pet velikih odjeljaka: − neuralne strukture; − programe za rješavanje intelektualnih problema; − sustavi temeljeni na znanju; − inteligentno programiranje; − inteligentni sustavi. Svaki odjeljak može se prikazati na sljedeći način (vidi sliku 4-9). - 14 - Sl. 4. Strukture slične neuronima Sl. 5. Programi za rješavanje intelektualnih problema Sl. 6. Sustavi temeljeni na znanju - 15 - Sl. 7. Inteligentno programiranje Sl. 8. Inteligentni sustavi 1.3. Filozofski aspekti problema umjetne inteligencije Glavni filozofski problem u području umjetne inteligencije vezan je za traženje odgovora na pitanje: je li moguće ili ne simulirati ljudsko mišljenje. Ako odgovor na ovo pitanje ikada bude negativan, onda sva ostala pitanja iz područja umjetne inteligencije neće imati nimalo smisla. Stoga se pri započinjanju istraživanja umjetne inteligencije unaprijed pretpostavlja pozitivan odgovor. Dokazi o mogućnosti modeliranja ljudskog mišljenja. 1. Skolastika: dosljednost umjetne inteligencije i Biblije. Očigledno, čak i oni koji su daleko od religije znaju riječi Svetog pisma: "I stvori Gospodin čovjeka na svoju sliku i priliku...". Na temelju ovih riječi možemo zaključiti da budući da je Gospodin, prvo, stvorio ljude, a drugo, oni su u biti slični njemu, onda su ljudi sasvim sposobni stvoriti nekoga na sliku i priliku osobe. 2. Biološki. Stvaranje novog uma biološki je prilično uobičajeno za ljude. Promatrajući djecu, vidimo da - 16 - većinu znanja stječu učenjem, a ne kako im je unaprijed svojstveno. Ova izjava nije dokazana na suvremenoj razini, ali prema vanjski znakovi sve izgleda upravo ovako. 3. Empirijski. Ono što se prije činilo kao vrhunac ljudske kreativnosti - igranje šaha, dame, prepoznavanje vizualnih i zvučnih slika, sintetiziranje novih tehničkih rješenja - u praksi se pokazalo i ne tako teškim zadatkom. Sada se ne radi na razini mogućnosti ili nemogućnosti implementacije navedenog, već oko pronalaženja najoptimalnijeg algoritma – često se ti problemi niti ne smatraju problemima umjetne inteligencije. Nadamo se da je moguća i potpuna simulacija ljudskog razmišljanja. 4. Mogućnost samoreprodukcije. Sposobnost reprodukcije dugo se smatrala prerogativom živih organizama. Međutim, neke pojave koje se događaju u neživoj prirodi (primjerice, rast kristala, sinteza složenih molekula kopiranjem) vrlo su slične samoreprodukciji. Početkom 50-ih J. von Neumann započeo je temeljito proučavanje samoreprodukcije i postavio temelje matematičkoj teoriji “automata koji se samoreprodukuju”. Dokazao je i teoretsku mogućnost njihova nastanka. Postoje i razni neformalni dokazi o mogućnosti samoreprodukcije, no za programere će možda najupečatljiviji dokaz biti postojanje računalnih virusa. 5. Algoritamski. Temeljna mogućnost automatizacije rješavanja intelektualnih problema pomoću računala osigurana je svojstvom algoritamske univerzalnosti. Ovo svojstvo računala znači da mogu programski implementirati (tj. predstaviti u obliku strojnog programa) bilo koji algoritam za pretvorbu informacija. Štoviše, procesi generirani ovim algoritmima su potencijalno izvedivi, tj. da su izvedivi kao rezultat konačnog broja elementarnih operacija. Praktična izvedivost algoritama ovisi o dostupnim alatima, koji se mogu promijeniti kako tehnologija napreduje. Dakle, u vezi s pojavom brzih računala, algoritmi koji su prije bili samo potencijalno izvedivi postali su praktično izvedivi. Osim toga, sadržaj ovog svojstva je prediktivne prirode: kad god u budućnosti neki recept bude prepoznat od strane algoritma, tada, bez obzira na oblik i sredstva u kojima je inicijalno izražen, također se može specificirati u obliku strojni program. No, ne treba misliti da računala i roboti mogu u principu riješiti bilo koji problem. Analiza raznih problema dovela je matematičare do izvanrednog otkrića. Strogo je dokazano da postoje vrste problema za koje je nemoguć jedan učinkovit algoritam koji rješava sve probleme. ove vrste; u tom smislu nemoguće je probleme ove vrste rješavati uz pomoć računala. Ova činjenica doprinosi boljem razumijevanju što strojevi mogu, a što ne mogu. Zapravo, izjava o algoritamskoj nerješivosti određene klase problema nije samo priznanje da je takav algoritam nepoznat i da ga nitko još nije pronašao. Ovakva izjava je ujedno i prognoza za sva buduća vremena da nam ovakav algoritam nije poznat i da ga nitko neće naznačiti ili, drugim riječima, da ne postoji. AI se može smatrati jednim od alata (inteligentnih i neinteligentnih) koje je stvorilo i ovladalo čovječanstvo na putu svog povijesnog razvoja. Tu spadaju:  ručni alati;  strojevi i strojevi;  jezik i govor;  strojevi za brojanje;  sredstva VT i telekomunikacija. Filozofi tvrde da je proizvodnja alata (u širem smislu riječi) najvažnija aktivnost koja razlikuje naše pretke od ostalih primata. Ljudska se bića ističu među životinjama po svojoj sposobnosti stvaranja znanja i alata. Nijedan drugi tehnološki ili društveno-politički izum nije prouzročio takav divovski odmak u razvoju vrste homo sapiensa od drugih vrsta žive prirode. Razvoj računalna tehnologija može se općenito podijeliti u dva područja: digitalna obrada i simbolička obrada. Prvi smjer učinio je informacije mnogo prikladnijima za pohranu, obradu i prijenos od svih prethodnih poboljšanja u tehnologiji papira. Računalo je brzinom, raznolikošću funkcija i lakoćom korištenja nadmašilo sve računalne alate iz prošlosti (abakus, abakus, zbrojilo). Dosljedno šireći opseg automatizacije u području monotonog mentalnog rada, digitalna obrada informacija proširila je opseg tiskarskog stroja i industrijske revolucije do novih granica. Druga grana računalne tehnologije, obrada znakova (Newellov i Simonov termin) ili umjetna inteligencija, omogućila je računalu oponašanje procesa osjetilne percepcije i orijentacije, zaključivanja i rješavanja problema, obrade prirodnog jezika i drugih ljudskih sposobnosti. Drugim riječima, AI jest nova vrsta alati alternativni postojećima. Ova stvarnost natjerala je filozofe umjetne inteligencije da odu dalje od pitanja "Je li moguće stvoriti inteligentan stroj?" na problem utjecaja intelektualnih oruđa na društvo. Posebno se razmatra mogući društveni učinak razvoja umjetne inteligencije, i to: - 18 - povećanje razine inteligencije cjelokupnog društva, što će dati nova otkrića, izume i novo razumijevanje čovječanstva za sebe.  mijenjanje situacije u kojoj je većina ljudi sredstvo i instrument proizvodnje. Sljedeće filozofsko pitanje o umjetnoj inteligenciji je svrha stvaranja. U principu, sve što radimo u praktičnom životu obično je usmjereno na to da ne radimo ništa drugo. No, s dovoljno visokim životnim standardom (velikom količinom potencijalne energije) primarna uloga čovjeka više nije lijenost (u smislu želje za uštedom energije), već instinkti traganja. Pretpostavimo da je osoba uspjela stvoriti intelekt koji nadilazi njegov vlastiti (čak i ako ne kvalitetom, već kvantitetom). Što će se sada dogoditi s čovječanstvom? Koju će ulogu osoba imati? Za što se sada koristi? I općenito, je li u načelu potrebno stvarati AI? Čini se da je najprihvatljiviji odgovor na ova pitanja koncept “pojačivača inteligencije” (IA). Prema S.L. Sotnik, ovdje je prikladna analogija s predsjednikom države - od njega se ne zahtijeva poznavanje valencije vanadija ili programskog jezika Java da bi donio odluku o razvoju industrije vanadija. Svatko radi svoje - kemičar opisuje tehnološki proces, programer piše program; ekonomist kaže predsjedniku da će ulaganjem novca u industrijsku špijunažu zemlja dobiti 20%, au industriji vanadija - 30% godišnje. Mislim da s ovakvom formulacijom pitanja svatko može napraviti pravi izbor. U ovom primjeru, predsjednik koristi biološko korisničko sučelje - skupinu stručnjaka sa svojim proteinskim mozgovima. Ali već sada se koriste i neživa sučelja - na primjer, računala, on-board računala. Osim toga, osoba već dugo koristi pojačivače sile (SA) - koncept na mnogo načina sličan FE. Automobili, dizalice, električni motori, preše, puške, avioni i još mnogo, mnogo više služe kao pojačivači sile. Glavna razlika između UI i CS je prisutnost volje: prvi može imati svoje vlastite "želje" i djelovati drugačije od onoga što se od njega očekuje. Ovo otvara pitanje sigurnosti za AI sustave. Kako izbjeći negativne posljedice koje prate svako novo postignuće znanstveno-tehnološke revolucije? Ovaj problem opsjeda umove čovječanstva još od vremena Karla Čapeka, koji je prvi upotrijebio izraz "robot". Drugi pisci znanstvene fantastike također su dali velik doprinos raspravi o tome. Najpoznatije su serije priča pisca znanstvene fantastike i znanstvenika Isaaca Asimova u kojima možete pronaći najrazvijenije rješenje problema sigurnosti koje prihvaća većina ljudi. Riječ je o o tri zakona robotike. 1. Robot ne može nanijeti štetu osobi ili svojim nedjelovanjem dopustiti da osoba bude ozlijeđena.  - 19 - 2. Robot se mora pokoravati naredbama koje mu daje osoba, osim u slučajevima kada su te naredbe u suprotnosti s prvim zakonom. 3. Robot mora voditi računa o svojoj sigurnosti, ukoliko to nije u suprotnosti s prvim i drugim zakonom. Asimov naknadno dodaje "Nulti zakon" ovom popisu: "Robot ne može nanijeti štetu čovječanstvu ili, svojim nedjelovanjem, dopustiti da čovječanstvo strada." Na prvi pogled, takvi bi zakoni, ako se u potpunosti poštuju, trebali osigurati sigurnost čovječanstva. Međutim, nakon detaljnijeg ispitivanja, postavljaju se neka pitanja. Prvo, zakoni su formulirani ljudskim jezikom, što ne dopušta njihovo lako prevođenje u algoritamski oblik. Pretpostavimo da je ovaj problem riješen. Sada, što bi sustav umjetne inteligencije značio pod pojmom "šteta"? Hoće li odlučiti da je samo postojanje čovjeka potpuna šteta? Uostalom, on puši, pije, godinama stari i gubi zdravlje, pati. Zar ne bi bilo manje zlo brzo prekinuti ovaj lanac patnje? Naravno, možete uvesti neke dodatke vezane uz vrijednost života i slobodu izražavanja. Ali to više neće biti jednostavna tri zakona koja su bila u izvorniku. Dalje: što će AI sustav odlučiti u situaciji kada je spašavanje jednog života moguće samo nauštrb drugog? Posebno su zanimljivi slučajevi kada sustav nema potpuna informacija o tome tko je tko. No, unatoč gore navedenim problemima, ovi zakoni su prilično dobra neformalna osnova za provjeru pouzdanosti sigurnosnog sustava za AI sustave. Dakle, zar stvarno ne postoji pouzdan sigurnosni sustav? Ako pođemo od koncepta korisničkog sučelja, možemo ponuditi sljedeću opciju. Prema brojnim eksperimentima, unatoč nedostatku pouzdanih podataka o tome za što je odgovoran svaki pojedini neuron u ljudskom mozgu, mnoge emocije obično odgovaraju aktiviranju skupine neurona (neuralnog ansambla) u potpuno predvidljivom području. Provedeni su i obrnuti eksperimenti gdje iritacija određenog područja daje željeni rezultat. To mogu biti emocije radosti, potlačenosti, straha, agresivnosti. Stoga se čini mogućim uzeti stupanj zadovoljstva ljudskog mozga domaćina kao objektivnu funkciju. Ako poduzmete mjere za uklanjanje samodestruktivnih aktivnosti u stanju depresije, a također osigurate i druga posebna psihička stanja, dobit ćete sljedeće. Budući da se pretpostavlja da normalna osoba neće nauditi sebi i, bez posebnog razloga, drugima, a UI je sada dio danog pojedinca (ne nužno fizičke zajednice), tada su sva tri zakona robotike automatski zadovoljena. Pritom se sigurnosna pitanja sele u polje psihologije i provedbe zakona, jer - 20 - sustav (uvježban) neće raditi ništa što njegov vlasnik ne želi. Pitanja za samokontrolu 1. Što je umjetna inteligencija? 2. S kojim znanstvenim područjima djeluje umjetna inteligencija? 3. Opisati pristupe razumijevanju predmeta umjetne inteligencije kao znanstvene discipline. 4. Opišite trenutno stanje umjetne inteligencije u Rusiji. 5. Opišite “predračunalnu” fazu razvoja umjetne inteligencije 6. Opišite razvoj umjetne inteligencije 40-ih godina prošlog stoljeća. XX. stoljeća 7. Opišite razvoj umjetne inteligencije 50-ih godina prošlog stoljeća. XX. stoljeća 8. Opišite razvoj umjetne inteligencije u 60-ima. XX. stoljeća 9. Opišite razvoj umjetne inteligencije 70-ih godina. XX. stoljeća 10. Opišite razvoj umjetne inteligencije u 80-ima. XX. stoljeća 11.Opišite glavne zadaće umjetne inteligencije. 12.Koji se dijelovi razlikuju u području umjetne inteligencije? 13. Dokazati mogućnost modeliranja ljudskog mišljenja. 14. Koji je razlog prijelaza na problem utjecaja intelektualnih alata na društvo? 15.Što uzrokuje i kako se može riješiti problem sigurnosti sustava umjetne inteligencije? Literatura 1. Luger, J, F. Umjetna inteligencija: strategije i metode rješavanja složenih problema: trans. s engleskog / George F. Luger - M.: Williams Publishing House, 2003. - 864 str. 2. Osnove umjetne inteligencije / B.V. Kostrov, V.N. Ručkin, V.A. Fulin. – M.: “DESS”, “Techbook”, 2007. – 192 str. 3. Web stranica Ruske udruge za umjetnu inteligenciju. – Način pristupa: http://www.raai.org/ 4. Sotnik, S.L. Osnove projektiranja sustava umjetne inteligencije: predavanja. – Način pristupa: http://newasp.omskreg.ru/intellect/f25.htm 5. Russell, S. Artificial intelligence: a modern approach / Stuart Russell, Peter Norvig. – M.: Izdavačka kuća Williams, 2006. – 1408 str. - 21 - POGLAVLJE 2. MODELI REPREZENTACIJE ZNANJA 2.1. Znanje Koje su vrste znanja potrebne da bi se omogućilo "inteligentno" ponašanje? “Tajna” fenomenologije modela znanja leži u svijetu oko nas. Općenito, model reprezentacije znanja trebao bi pružiti različite opise objekata i pojava koji ga čine predmetno područje , u kojem mora raditi inteligentni agent. Predmetno područje je dio stvarnosti povezan s rješavanjem problema. Inteligentni agent je sustav (osoba, program) s intelektualnim sposobnostima. Znanje su identificirani obrasci predmetnog područja (načela, veze, zakonitosti). Znanje ima složeniju strukturu od podataka (metapodataka). U ovom slučaju, znanje je specificirano i ekstenzivno (tj. kroz skup specifičnih činjenica koje odgovaraju danom pojmu i odnose se na predmetno područje) i intenzionalno (tj. kroz svojstva koja odgovaraju danom konceptu i dijagramu veza između atributa). Vrste znanja Objekti. Tipično, osoba predstavlja znanje u smislu činjenica o objektima oko sebe. Iz tog razloga moraju postojati načini predstavljanja objekata, klasa (kategorija, vrsta) objekata, opisivanja svojstava i interakcije s objektima. Jedan od načina za klasificiranje objekata je kroz hijerarhiju klasa. Osim toga, potrebno je razlikovati apstraktne objekte koji se koriste za označavanje skupina (skupova, klasa) pojedinaca. Primjer “Ptice imaju krila” “Golubovi su ptice” “Snijeg je bijel” “Ova knjiga je nova” - individualni objekt Situacije - sve vrste interakcija među objektima. Primjer "Jučer je padala kiša" "Vlak je kasnio 10 minuta" Primjer klasifikacije situacija koju je predložila Paducheva prikazan je na sl. 9. Osim toga, kako bi mogli opisati situacije same po sebi, model reprezentacije mora omogućiti opis lokacije događaja na vremenskoj osi, kao i njihov uzročno-posljedični odnos. Situacije Statička stanja Trajna svojstva i odnosi Dinamički procesi Stabilni incidenti Privremeni rezultati Događaji Sl. 9. Primjer klasifikacije situacija koju je predložila Paducheva Kada se prikazuje hijerarhija objekata i odnosa, glavna poteškoća je izbor osnove, tj. svojstva (karakteristike) po kojima dolazi do podjele. Obično, čak i ako osoba lako razlikuje različite vrste objekata i situacija u životu, pokušaj verbalne klasifikacije predstavlja veliki problem. Postupci. Ponašanje (npr.: vožnja bicikla) ​​zahtijeva znanje koje nadilazi deklarativno znanje o objektima i odnosima među njima. To je znanje o tome kako učiniti ovu ili onu radnju, koje se naziva proceduralno znanje ili iskustvo (vještina). Poput vožnje bicikla, većina svjesnih ponašanja (npr. komunikacija, razumijevanje ili dokazivanje teorema) uključuje proceduralno znanje, a često je teško jasno razlikovati proceduralno znanje od znanja o predmetu. Primjer Pojam “disciplina” - opisuje situaciju nedostatka proceduralnog znanja kod osobe koja se predstavlja kao specijalist Meta-znanje - znanje o znanju: o obujmu i podrijetlu znanja o određenom objektu, o pouzdanosti specifične informacije ili o relativnoj važnosti pojedinih činjenica. Meta-znanje također uključuje - 23 - ono što ljudi znaju o vlastitoj sposobnosti procesora znanja: snage, slabosti, razinu iskustva u različitim područjima i osjećaj napretka u rješavanju problema. Klasifikacija znanja Po dubini:  Površno znanje (skup empirijskih asocijacija i uzročno-posljedičnih veza između pojmova predmetnog područja).  Produbljeno poznavanje (apstrakcije, slike, analogije, koje odražavaju razumijevanje strukture predmetnog područja i odnosa pojedinih pojmova). Po načinu postojanja:  Činjenice (općepoznate okolnosti).  Heuristika (znanje iz iskustva stručnjaka). Po krutosti:  Teško znanje (omogućuje primanje nedvosmislenih, jasnih preporuka pod datim početnim uvjetima).  Meko znanje(dopustiti višestruke, nejasne odluke i razne opcije preporuke). Po oblicima prezentacije:  Deklarativno znanje (činjenice u obliku skupova strukturiranih podataka).  Proceduralno znanje (algoritmi u obliku postupaka za obradu činjenica). Prema načinu stjecanja:  Znanstvena znanja (stečena sustavnom nastavom i/ili proučavanjem).  Svakodnevna, svakodnevna znanja (stečena tijekom života). Da bi se baza znanja udomila u svrhu korištenja za rješavanje primijenjenih problema, potrebno ju je formalno opisati pomoću matematičkih modela. Kao što je već spomenuto, reprezentacija znanja moguća je pomoću deklarativnih i proceduralnih modela. Tipični deklarativni modeli obično uključuju modele mreže i okvira; na proceduralne – logičke i proizvodne. Sa stajališta pristupa reprezentaciji znanja u računalu, modeli reprezentacije znanja mogu se klasificirati na sljedeći način: Na temelju heurističkog pristupa: “trojka”, proizvodni, okvirni, mrežni modeli Na temelju teorijskog pristupa: temeljeni na formalnoj logici i na temelju “ljudske logike” – modalna i višestruka. - 24 - 2.2. Logički model reprezentacije znanja Osnovni pojmovi logike Većina ljudi vjeruje da riječ “logičan” znači “razuman”. Dakle, ako čovjek logično razmišlja, onda je njegovo razmišljanje razumno, pa ne dopušta ishitrene zaključke. Logika je znanost o oblicima i metodama ispravnog mišljenja. To znači da s obzirom na potreban broj istinitih činjenica zaključak uvijek mora biti istinit. S druge strane, ako je logički zaključak nevaljan, to znači da je došlo do pogrešnog zaključka na temelju istinitih činjenica. Potrebno je razlikovati pojmove formalne i neformalne logike. Posebnost neformalne logike je da se koristi u svakodnevnom životu. Složeni logički dokaz je lanac logičkih zaključaka u kojima jedan zaključak vodi drugom, i tako dalje. U formalnoj logici, koja se naziva i simbolička logika, ono što je važno je kako se donosi logički zaključak i kako se drugi čimbenici uzimaju u obzir kako bi se osiguralo da se konačni zaključak dokaže točnim ili lažnim na prihvatljiv način. Logika također treba semantiku da bi dala značenje simbolima. Formalna logika koristi semantiku koja se ne temelji na korištenju riječi koje nose emocionalni sadržaj, već na izboru smislenih naziva za varijable, slično programiranju. Kao i matematika, logika izravno ne proučava empirijske, već apstraktne objekte. Ovo postavlja pitanje: Koja je priroda ili ontološki status apstraktnih objekata? O kakvim je apstraktnim objektima riječ? U (klasičnoj) logici razlikuju se dvije temeljne vrste apstraktnih objekata: − pojmovi (svojstva); − odnosi. Koncepti mogu biti jednostavni ili složeni. Složeni pojmovi su skup relativno jednostavnijih pojmova (jednostavnih svojstava) međusobno povezanih određenim odnosima. Složeniji apstraktni objekti su sudovi, konstruktivni elementi koji su također pojmovi i određeni odnosi. Sudovi su pak strukturni elementi zaključaka (sustava sudova), a zaključci su strukturni elementi pojmova i teorija (sustava zaključaka). Na sl. Slika 10 prikazuje hijerarhiju tipova apstraktnih objekata u klasičnoj logici. Specifičnost logike je u tome što ona proučava najopćenitije, univerzalne odnose, odnosno odnose, između apstraktnih predmeta. U skladu s tim postoji sljedeća objektivna - 25 - definicija logike: “Logika je znanost o univerzalnim (općevažećim) odnosima između pojmova, sudova, zaključaka i drugih apstraktnih objekata.” Pojmovi i teorije (sustavi zaključaka) Zaključci (sustav sudova) Prosudbe Pojmovi (svojstva) Odnosi Sl. 10. Hijerarhija tipova apstraktnih objekata u klasičnoj logici Primjer “Student” je koncept. “Marljivost” je svojstvo. “Marljiv student”, “student 4. godine” – odnosi. "Osoba studira na sveučilištu" je presuda. "Ako osoba studira na institutu, onda je ili student ili diplomirani student" je zaključak. “Teorija predikatnog računa prvog reda” je koncept. Pojam Pojmovi su apstraktni objekti koji su dostupni ljudskom razumijevanju kao jednostavna i složena svojstva (znakovi) empirijskih predmeta. Koncept se suprotstavlja takvim entitetima kao što su: "riječ", "percepcija", "empirijski objekt". Pojam je univerzalna jedinica mišljenja i temelj intelektualne djelatnosti. Najvažnije karakteristike pojma su sadržaj i volumen. Sve logičke karakteristike i logičke operacije rezultat su inferencijalne spoznaje iz zakona obrnuto proporcionalnog odnosa između sadržaja i opsega pojma. Svaki koncept ima opseg pojma (konceptualni opseg) i dodatak opsegu pojma (sl. 11, 12). Opseg pojma je ukupnost (skup) svih onih empirijskih (pojedinačnih objekata) kojima je dati pojam inherentan (kao svojstvo, atribut). - 26 - Dodatak volumenu je ukupnost svih onih empirijskih objekata koji nemaju zadani koncept. Pojam X a1 a2 V Volumen a3 Sl. 11. Koncept X, volumen koncepta X, element volumena (a1, a2, a3) X Nije X Sl. 12. Opseg i njegov dodatak Primjer koncepta: model činjeničnih podataka. Opseg koncepta: relacijski, mrežni, hijerarhijski modeli podataka Dodatak opsega: dokumentarni modeli podataka (opisni, tezaurusni, modeli podataka orijentirani na format dokumenta) Koncepti mogu biti sljedećih vrsta: 1) u opsegu: a. pojedinačni (U = 1 element, Kamaz); b. općenito (U>1 element, Moskovska tvornica automobila); 2) prema postojanju elemenata: a. neprazan(student); b. prazan (kolobok); 3) prema strukturi elemenata: a. nesakupljanje (Sjeverni pol); b. kolektiv (dužnik); 4) prema sadržaju: a. nebitno (publika); b. korelativ (roditelji); 5) prisustvom kvaliteta, svojstava, odnosa a. pozitivan (vrlina); b. negativno (uvreda); 6) prema kvaliteti elemenata: a. registriran (časopis Otvoreni sustavi, 1/2008); b. neregistrirano (inteligencija), sažetak; 7) prema prirodi predmeta: a. specifično (ručka); - 27 - b. sažetak (model). Na temelju navedenih tipova moguće je dati logičan opis svakog pojma, odnosno prikazati upotrebu pojma u svih sedam značenja. Na primjer, pojam dužnik je opći, neprazan, zbirni, korelativan, pozitivan, neupisiv i specifičan. Osnovne tehnike razumijevanja pojmova Osnovne tehnike razumijevanja pojmova uključuju: − apstrakciju; − usporedba; − generalizacija; − analiza; − sinteza. Apstrakcija je mentalni odabir (razumijevanje) određenog svojstva ili odnosa apstrahiranjem od drugih svojstava ili odnosa empirijskog objekta. Usporedba – utvrđivanje sličnosti ili razlika između predmeta. Generalizacija je mentalno izdvajanje određenog pojma usporedbom nekih drugih pojmova. Apstrakcija, usporedba i generalizacija su tehnike koje su usko povezane jedna s drugom. To se može nazvati "kognitivnim postupcima". Usporedba je nemoguća bez obzira na apstrakciju. Generalizacija pretpostavlja usporedbu i u isto vrijeme nije ništa više od vrste složene apstrakcije itd. Analiza je mentalna podjela empirijskog ili apstraktnog objekta na njegove sastavne strukturne komponente (dijelove, svojstva, odnose). Sinteza je mentalno sjedinjavanje raznih predmeta u neki cjelovit predmet. Primjeri 1. Usporedba ljudi po visini uključuje apstrahiranje pojma "osoba" kako bi se izoliralo svojstvo "visine". 2. Generalizacija: "stolica" i "stol" - "namještaj". Odnos između pojmova Za objašnjenje odnosa među pojmovima mogu se koristiti dijagrami u obliku Eulerovih krugova (slika 13). Primjeri Uniforma (uniforma): Kazan je glavni grad. Samostalni (prijelaz): putnik – učenik. Podređenost: stablo - breza. Nasuprot (kontrast): bijelo i crno. - 28 - Konradiktor: bijelo – ne bijelo. Podređenost (subordinacija): časnici (major-capetan). Logička podjela pojma je podjela opsega pojma na dijelove koji se ne preklapaju na temelju nekog atributa. Pojmovi X, Y Nespojivo M(X)M(Y)= Kompatibilno M(X)M(Y) Nezavisno Kontradiktorno Y=Ne-X X Y X M(X)M(Y); M(X)M(Y)M(X); M(X)M(Y)M(Y) M(X)M(Y)=U Suprotno identično (jednoliko) X, Y X Y M(X)= M(Y) M(X)M(Y) U X je podređen Y X Y M(X)M(Y)=M(X) Sl. 13. Korelacija pojmova U ovom slučaju postoje: − generički pojam X; − članovi odjeljenja (koncepti vrste A i B); − osnova dijeljenja (tj. znak). - 29 - Tri pravila logičnog dijeljenja. 1. Pravilo nekompatibilnosti. Svezaci koncepata vrste ne bi se smjeli preklapati (tj. članovi odjela ne bi smjeli biti nekompatibilni jedni s drugima); 2. Pravilo dosljednosti. Ne možete dijeliti po nekoliko osnova odjednom; 3. Pravilo proporcionalnosti. Zbroj obujma specifičnih pojmova mora biti jednak obujmu generičkog pojma. Dihotomna podjela (najstroži tip) je podjela pojmova prema načelu kontradiktornosti (A, ne-A). Klasifikacije su određeni sustavi (uređene zbirke) koncepata vrsta. Klasifikacije se koriste za traženje novih odnosa između pojmova, kao i za sistematizaciju postojećeg znanja. Primjer 1. Periodni sustav je primjer znanstvene klasifikacije kemijskih elemenata. 2. Primjer klasifikacije informacijskih sustava (IS) prikazan je na slici ispod. Osnove podjele: funkcionalna namjena. A, B, C su primjeri informacijskih sustava prema ovoj klasifikaciji. IS Sustavi činjenica Sustavi umjetne inteligencije Dokumentarni sustavi IS “Sveučilište” Lingvo “Konzultant Plus” A B C Sl. 14. Primjer klasifikacije Tehnike shvaćanja pojmova (apstrakcija, usporedba, generalizacija, analiza, sinteza, dijeljenje) univerzalni su i temeljni kognitivni postupci koji još nisu uspješno modelirani u okviru umjetne inteligencije. Ovo je jedan od temeljnih odjeljaka klasične logike koji treba integrirati u teoriju baza znanja. Nakon toga, zadaci modeliranja takvih mentalnih radnji kao što su postavljanje hipoteza, podučavanje deklarativnog znanja postat će dostupni, a postupci zaključivanja postat će opširniji. - 30 - Presuda Presuda je strukturno složen predmet koji odražava objektivnu vezu između predmeta i njegovog svojstva. Prosudba se suprotstavlja takvim entitetima kao što su: “rečenica”, “percepcija”, “prizori iz stvarnog svijeta”. Primjer. Sljedeće rečenice izražavaju istu tvrdnju: − „Morski pas je riba grabežljiva“; − “Svi morski psi su ribe grabljivice.” − “Morski psi su ribe grabljivice.” Klasična logika strukturu jednostavnog suda razmatra u nešto drugačijem tumačenju nego što je to prihvaćeno u suvremenim logičko-lingvističkim istraživanjima. Dakle, u skladu s konceptima klasične logike o strukturi suda, jednostavan sud je apstraktni objekt, čiji su glavni strukturni elementi: − pojedinačni pojam (IK); − pojam predikata (PK); − predikacijski odnos (PR). Primjeri Navedena je rečenica: "Platon je filozof." U ovoj rečenici koja izražava sud S: “Platon” je logički subjekt, tj. simbol koji označava individualni koncept prosudbe S. “Filozof” je logički predikat, t.j. simbol koji označava predikatsku koncepciju presude S. “Pojaviti se” je subjekt-predikatski veznik, tj. simbol koji označava predikacijski odnos. Stoga možemo izvući sljedeći međuzaključak: − pojedinačni koncept je sustav pojmova koji se promatra kao konceptualni entitet, neki empirijski objekt; − predikatni koncept – koncept koji se promatra kao svojstvo određenog empirijskog objekta; − predikacijski odnos – odnos koji povezuje pojedinačne i predikatske pojmove nekog empirijskog objekta u holistički apstraktni objekt. Osim toga, može se razlikovati nekoliko vrsta jednostavnih prosudbi (vidi sliku 15). Postoji nekoliko načina za formaliziranje elementarnih prosudbi. - 31 - 1. metoda. Prirodni jezik tradicionalno se smatra glomaznim i nepreciznim, ali još nije izumljena nijedna formalna metoda koja bi mogla parirati svestranosti prirodnog jezika. Jednostavne prosudbe Atributivna O odnosima Postojanje Redovnici su, u pravilu, skromni Magnitogorsk južno od Čeljabinska Postoje stabla plave smreke Fig. 15. Vrste jednostavnih sudova 2. metoda. Tradicionalna aristotelovska logika. 3. metoda. Moderna simbolička logika. Glavne vrste složenih sudova Osim sudova izraženih u aristotelovskoj logici izjavama oblika A, E, I, O (vidi paragraf Aristotelova logika), postoje i razne vrste složenih sudova. Što je sud složeniji, to ga je teže točno formalizirati koristeći se tradicionalnom aristotelovskom logikom, au nekim slučajevima takva je formalizacija jednostavno nemoguća. Stoga je preporučljivo analizirati logičku strukturu složenih sudova pomoću sredstava moderne simboličke logike, uključujući sredstva logike iskaza i logike predikata (vidi odgovarajuće odlomke odlomka). Glavne vrste složenih sudova uključuju − konjunktivne; − disjunktiv; − implikativni; − načinski: o aletični (nužni, možda slučajni); o epistemički (znati, vjerovati, vjerovati, vjerovati); o deontičan (odlučan, zabranjen); o aksiološki (dobar, loš); o vremenski (u prošlosti, prije, jučer, sutra, u budućnosti); − pitanja: o da li- pitanja; o što- pitanja. Ovdje također postoji kontinuitet nastave logike i metoda umjetne inteligencije. - 32 - Zaključci Zaključivanje (u tradicionalnoj logici) se shvaća kao određeni oblik mišljenja kroz koji se vrši mentalni prijelaz (koji se naziva "zaključak") od jednog ili više sudova (koji se nazivaju "premise") na neki drugi sud (koji se naziva “zaključak”). Dakle, zaključak je složeni apstraktni objekt u kojem se, uz pomoć određenih odnosa, jedna ili više prosudbi spajaju u jedinstvenu cjelinu. Pojam silogizam koristi se za označavanje zaključivanja u logici. Silogizmi mogu biti formalni i neformalni. Aristotel je koristio prve formalne silogizme. Silogistika koju je razvio (teorija formalnih silogizama, tj. zaključaka) imala je značajan utjecaj na razvoj antičke i skolastičke logike i poslužila je kao temelj za stvaranje moderne logičke teorije zaključivanja. Za učvršćivanje pojmova logike potrebno je riješiti vježbe na stranici 78. Zakoni logike U najvažnije logičke zakone spadaju: − identiteti (svaki objekt identičan je samo sebi); − neproturječnost (tvrdnje koje su u suprotnosti jedna s drugom ne mogu biti istodobno istinite); − isključena treća (od dvije međusobno suglasne tvrdnje, jedna je istinita, druga je netočna, a treća nije dana); − dovoljan razlog (svaka istinita izjava ima dovoljan razlog na temelju kojeg je istinita, a ne lažna). Pogledajmo pobliže svaki od naznačenih položaja. I. Zakon identiteta Zakon identiteta dokazuje da je svaka misao identična sama sebi, "A je A" (A → A), gdje je A bilo koja misao. Na primjer: "Kuhinjska sol NaCl sastoji se od Na i Cl." Ako se prekrši ovaj zakon, mogu se pojaviti sljedeće pogreške. Amfibolija (od grč. amphibolos – višeznačnost, dvojina) je logička pogreška koja se temelji na višeznačnosti jezičnih izraza. Drugi naziv za ovu grešku je “zamjena teza”. Primjer „Ispravno kažu da će vas jezik odvesti u Kijev. A ja sam jučer kupila dimljeni jezik. Sada sa sigurnošću mogu ići u Kijev.” - 33 - Ekvivokacija je logička pogreška koja se temelji na upotrebi iste riječi u različitim značenjima. Ekvivokacija se često koristi kao umjetničko retoričko sredstvo. U logici se ova tehnika također naziva "zamjena pojmova". Primjer “Stari morski vuk je stvarno vuk. Svi vukovi žive u šumi." Ovdje je pogreška uzrokovana činjenicom da se u prvoj propoziciji riječ "vuk" koristi kao metafora, au drugoj premisi - u svom doslovnom značenju. Logomahija je spor oko riječi, kada tijekom rasprave sudionici ne mogu doći do zajedničkog stajališta zbog činjenice da početni pojmovi nisu razjašnjeni. Dakle, zakon identiteta izražava jedan od najvažnijih zahtjeva logičkog mišljenja – izvjesnost. II. Zakon neproturječnosti Ovaj zakon izražava zahtjev dosljednosti mišljenja. Zakon neproturječnosti glasi: dvije tvrdnje, od kojih jedna potvrđuje nešto o predmetu mišljenja ("A je B"), a druga negira istu stvar o istom predmetu mišljenja ("A nije B") , ne može biti istodobno istinito, ako se u isto vrijeme atribut B potvrđuje ili poriče o predmetu mišljenja A, razmatranom u isto vrijeme iu istom odnosu. Na primjer, tvrdnje "Kama je pritoka Volge" i "Kama nije pritoka Volge" ne mogu biti istodobno istinite ako se te tvrdnje odnose na istu rijeku. Neće biti proturječja ako nešto potvrđujemo, a negiramo istu stvar u vezi iste osobe, koja se, međutim, razmatra u različitim vremenima. Dakle, sudovi "Ova osoba je student MaSU" i "Ova osoba nije student MaSU" mogu biti istovremeno istiniti ako se prvi od njih odnosi na isto vrijeme (kada ova osoba studira na Moskovskom državnom sveučilištu), au drugom - drugi (kada je diplomirao na sveučilištu). Zakon neproturječnosti ukazuje da je od dvije suprotne tvrdnje jedna nužno lažna. Ali budući da se proteže i na suprotne i na kontradiktorne sudove, pitanje drugog suda ostaje otvoreno: on ne može biti istodobno istinit i lažan: papir ne može biti bijel i nebijel. III. Zakon isključene sredine Zakon isključene sredine kaže da dvije kontradiktorne tvrdnje ne mogu biti istovremeno lažne: jedna od njih je nužno istinita; drugi je nužno lažan; isključena je treća presuda, t.j. Ili je A istinito ili nije - A je istinito. - 34 - Zakon isključene sredine formulira važan zahtjev za vaše razmišljanje: ne možete odstupiti od priznavanja jedne od dvije proturječne tvrdnje kao istinite i tražiti nešto treće između njih. Ako se jedno od njih prepozna kao istinito, onda se drugo mora prepoznati kao lažno i ne tražiti treće. Primjer: životinje mogu biti ili kralježnjaci ili beskralješnjaci, ne može postojati ništa treće. IV. Zakon dostatnog razloga Sadržaj ovog zakona može se izraziti na sljedeći način: da bi se smatrao potpuno pouzdanim, svaki stav mora biti dokazan, tj. moraju biti poznati dovoljni razlozi zbog kojih se smatra istinitim. Dovoljna osnova može biti druga misao, već provjerena praksom i priznata kao istinita, čiji je nužni rezultat istinitost stava koji se dokazuje. Primjer. Logična osnova za prosudbu "Soba je postala toplija" je činjenica širenja žive na termometru. U znanosti se dostatnim temeljem smatraju: a) odredbe o potvrđenim činjenicama stvarnosti, b) znanstvene definicije, c) prethodno dokazane znanstvene odredbe, d) aksiomi i e) osobno iskustvo. Logičko zaključivanje Logičko zaključivanje je izvođenje određene formule na temelju mnogih drugih logičkih formula primjenom pravila zaključivanja. Interpretator logičkih izraza, koristeći se logičkim zaključivanjem, sam gradi potrebni lanac izračuna na temelju izvornog opisa. Značaj logičkog pristupa leži u mogućnosti konstruiranja interpretatora čije djelovanje ne ovisi o logičkim formulama. Pravila u logičkom prikazu imaju oblik: P0←P1, …, Pn. P0 se naziva cilj, a P1, P2, ..., Pn je tijelo pravila. Predikati P1, P2, ..., Pn su uvjeti koji moraju biti ispunjeni da bi postizanje cilja P0 bilo uspješno. Pogledajmo osnove logičkog zaključivanja na primjeru provođenja postupka utvrđivanja ispravnosti zaključivanja. Definicija logički ispravnog razmišljanja Kada kažemo da jedna rečenica D logički slijedi iz druge P, mislimo na sljedeće: kad god je rečenica P istinita, tada je istinita i rečenica D. U iskaznoj logici imamo posla s formulama P i D, ovisno o nekim varijablama X1, X2,.., Xn. Definicija. Reći ćemo da iz formule P(X1, X2,...,Xn) logično slijedi formula D(X1, X2,...,Xn) i označiti P├ D ako za - 35 - bilo koje skupove vrijednosti ​​X1, X2 ,...,Xn pod uvjetom P(X1, X2,...,Xn) = I2, uvjet D(X1, X2,...,Xn) = I je zadovoljen. Formula P je naziva se premisa, a D je zaključak logičkog zaključivanja. Obično se u logičkom zaključivanju ne koristi jedna premisa P, već nekoliko; u ovom slučaju, obrazloženje će biti logički ispravno; iz konjunkcije premisa zaključak logično slijedi. Provjera ispravnosti logičkog zaključivanja Prva metoda je po definiciji: a) zapisati sve premise i zaključke u obliku iskaznih logičkih formula; b) stvoriti konjunkciju formaliziranih premisa P1& P2&…& Pn,; c) pomoću tablice istinitosti provjerite slijedi li zaključak D iz formule P1&P2&...&Pn. Druga metoda temelji se na sljedećem kriteriju logičke posljedice: "Formula D slijedi logički iz formule P ako i samo ako je formula P |- D tautologija." Tada se provjera ispravnosti logičkog zaključivanja svodi na odgovor na pitanje: je li formula tautologija? Na ovo se pitanje može odgovoriti konstruiranjem tablice istinitosti za formulu ili redukcijom ove formule korištenjem ekvivalentnih transformacija na poznatu tautologiju. Treću metodu provjere ispravnosti logičkog zaključivanja nazvat ćemo skraćeno jer ne zahtijeva potpuno nabrajanje vrijednosti varijabli za izradu tablice istinitosti. Kako bismo opravdali ovu metodu, formuliramo uvjet pod kojim je logično razmišljanje netočno. Obrazloženje je netočno ako postoji skup vrijednosti varijabli X01, X02,.., X0n takav da je premisa D(X01, X02,.., X0n) = A 3, a zaključak P(X01, X02,.., X0n) = I. Primjer. Daje se obrazloženje: „Ako pada kiša, onda je mačka u sobi ili u podrumu. Miš je u sobi ili u rupi. Ako je mačka u podrumu, onda je miš u sobi. Ako je mačka u sobi, onda je miš u rupi, a sir u hladnjaku. Sada pada kiša, a sir je na stolu. Gdje je mačka, a gdje miš? Uvedimo sljedeće oznake: D – “pada kiša”; K – “mačka u sobi”; P – “mačka u podrumu”; M – “miš u sobi”; N – “miš u rupi”; X – “sir u hladnjaku”; ¬H – “sir na stolu”. Dobivamo sljedeću shemu zaključivanja: D→K|R M|N K→H&X 2 3 Točno Netočno - 36 - R→M D&¬X ----? Upotrijebimo pravila zaključivanja 1) D&¬X├D; 2) D&¬X├¬X; 3) D→K|R, D├ K|R. Zatim ćemo razmotriti dvije mogućnosti. Opcija A. Neka se dogodi K. Tada 4a) K, K→H&X, K├H&X; 5a) H&X ├ X; 6a) ¬H,H├H&¬H - dobili smo kontradikciju, što znači da je pretpostavka bila pogrešna i ova opcija je nemoguća. Opcija B, Neka se dogodi P. Tada 4b) P, P →M├M; 5b) R,M├R&M Zaprimljen je R&M zaključak, tj. “Mačka je u podrumu, a miš u sobi” Primjer Provjeri točnost zaključivanja skraćeno. Na koje druge načine se može riješiti ovaj problem? Daje se obrazloženje: „Ako danas bude mraz, ići ću na klizalište. Ako danas bude otopljenje, ići ću u disko. Danas će biti mraza ili otopljenja. Stoga ću ići u disko.” Riješenje. Formalizirajmo uvjet problema uvođenjem sljedeće oznake: M – “danas će biti mraz”; K – „Idem na klizalište”; O – “danas će doći do otapanja”; D - "Ići ću u disko." Shema rezoniranja ima oblik: M→K O→D M|O ---D Rezoniranje je logički ispravno ako za bilo koje skupove vrijednosti varijabli (M, K, O, D) za koje su sve premise istinite , zaključak je također istinit. Pretpostavimo suprotno: postoji skup (M0,K0,O0.D0) takav da su premise istinite, a zaključak lažan. Koristeći se definicijama logičkih operacija, pokušat ćemo pronaći taj skup. Uvjereni smo da pretpostavka vrijedi za vrijednosti varijabli - 37 - M0 = I, K0 = I, O0 = A, D0 = A (Tablica 1). Stoga obrazloženje nije logički ispravno. Tablica 1 Shema za rješavanje logičkog zadatka br. 1 2 3 4 5 6 7 Točno M0 →K0 O0 →D0 M0 ˅ O0 M0 K0 Netočno Napomene pretpostavljamo da su premise istinite, D0 O0 a zaključak netočan iz 2.4 i definicije implikacije iz 3, 5 i definicije disjunkcije iz 1, 6 i definicije implikacije Drugi način rješavanja problema: izgraditi tablicu istinitosti za formulu (M→K)&(O→D)&(M˅O ) →D i uvjerite se da to nije tautologija. Tada, na temelju logične posljedice, razmišljanje nije logički ispravno. Budući da su četiri propozicijske varijable (M, K, O, D) uključene u razmišljanje, tablica istinitosti će sadržavati 16 redaka, a ova metoda je radno intenzivna. Pomoću pravila zaključivanja možete konstruirati logički ispravno razmišljanje, ali nije uvijek moguće dokazati netočnost logičkog zaključivanja. Stoga je za ovaj zadatak najprikladniji način provjere ispravnosti logičkog zaključivanja. Za učvršćivanje pravila logičkog zaključivanja potrebno je izvršiti vježbe na str. 78. Glavni odsječci moderne simboličke logike U razvoju klasične logike razlikuju se tri glavne faze: antička logika (oko 500. pr. Kr. - rani Kr.), skolastička logika (rani Kr. - prva polovica XIX. st.) stoljeće) , moderna simbolička logika (sredina 19.-20. st.) Moderna simbolička logika podijeljena je na glavne dijelove, čija je bit otkrivena u nastavku. Iskazna logika (propozicioni račun). Proučava jednostavne sudove koji se razmatraju bez uzimanja u obzir njihove unutarnje strukture, kao i elementarne zaključke koji su najdostupniji ljudskom razumijevanju. U prirodnom jeziku takvi jednostavni sudovi predstavljeni su rečenicama koje se razmatraju samo sa stajališta njihove istinitosti ili lažnosti, a zaključci su predstavljeni odgovarajućim sustavima izjava. - 38 - Predikatska logika (predikatski račun). Složeniji objekti proučavanja su prosudbe koje se razmatraju uzimajući u obzir njihovu unutarnju strukturu. Dio logike u kojem se proučavaju ne samo veze između sudova, već i unutarnja konceptualna struktura sudova, naziva se "predikatskom logikom". Metalogic. Metalogika je proširenje logike predikata. Predmet njezina proučavanja je cjelokupna sfera odnosa u cjelini, svi oni univerzalni odnosi koji se mogu odvijati između pojmova, sudova, zaključaka, kao i simbola koji ih označavaju. Sljedeći odlomci odlomka predstavljaju ključne pozicije propozicione logike i predikata prvog reda. Da bismo bolje razumjeli modernu logiku, potrebno je razmotriti glavne odredbe definirane Aristotelovim silogizmima. Aristotelova logika U Aristotelovoj logici struktura elementarnih sudova izražava se sljedećim strukturama: − S je P (1); − S nije P (2), gdje je S neki logički subjekt (od lat. Subjectum); P - neki logički predikat (od lat. Predicatum). Dolje su navedene vrste sudova u Aristotelovoj logici. 1. Opće potvrdne tvrdnje – A “Sva su S su P” – Svi su pjesnici ljudi na koje se može dojmiti. Riječi "jest" i "nije" služe kao subjekt-predikatski veznik. Iz tvrdnji (1) i (2), koristeći riječi “svi” i “neki”, konstruiraju se tvrdnje oblika: − sve S je P: Tip A (Afirmo); − neki S su P: Tip I (AffIrmo); − svi S nisu P: Tip N (Nego); − neki S nije P: Tip O (NegO). 2. Opće negativne prosudbe – E (N) “Nijedno S nije P” - Nijedna osoba nije sveznajuća. 3. Posebna potvrdna tvrdnja – I „Neki S su P” – Neki ljudi imaju kovrčavu kosu. 4. Djelomično negativna prosudba – ​​O „Neki S nisu P“ – Neki ljudi ne znaju slušati. Izjave tipa A, E, I, O su jednostavne kategoričke izjave koje čine temelj cijele aristotelovske logike. Između istinitosti i neistinitosti iskaza tipa A, E, I, O postoje funkcionalno-cjeloviti odnosi, koji se obično prikazuju u obliku logičkog kvadrata (slika 16, tablica 2). - 39 - Kada se koristi logički kvadrat, važno je uzeti u obzir sljedeću suptilnost: riječ "neki" se shvaća u širokom smislu - kao "neki, a možda i svi". Tablica 2. Tablica istinitosti za sudove Aristotelove logike A I L L E L L I I I I L O L I I Sl. 16. Logički kvadrat Objašnjenja Aristotelova logičkog kvadrata U gornjem lijevom kutu logičkog kvadrata nalaze se tvrdnje tipa A (opće potvrdne). U gornjem desnom kutu nalaze se izjave tipa E (općenito negativne). U donjem lijevom kutu (pod A) nalaze se tvrdnje tipa I (osobito potvrdne). U donjem desnom kutu (pod E) nalaze se iskazi tipa O (djelomično negativni). Iskazi tipa A i O, kao i iskazi tipa E i I, međusobno su povezani odnosom kontradiktornosti, odnosno kontradikcije (dijagonalni odnosi). Iskazi tipa A i E nalaze se u odnosu suprotnosti, odnosno suprotnosti. - 40 - Iskazi tipa I podređeni su (dakle impliciraju) iskazima tipa A. Izjave tipa O podređeni su iskazima tipa E. Dok kontradiktorni iskazi imaju suprotne istinitosne vrijednosti (jedan je istinit, drugi je lažan) , kontradiktorne izjave ne mogu biti istovremeno istinite, ali mogu biti lažne u isto vrijeme. Pomoću logičkog kvadrata možete izvesti suprotne, kontradiktorne i podređene tvrdnje podacima, utvrđujući njihovu istinitost ili netočnost. Primjer 1. Svaki sud je izražen u rečenici A →1. 2. U rečenici E→ 0 nije izražen nikakav sud. 3. Neki sudovi nisu izraženi u rečenici O → 0. 4. Neki sudovi nisu izraženi u rečenici I → 1. Osim toga, uz pomoć Aristotelova logičkog kvadrata. , moguće je uspostaviti vrste odnosa između prosudbi: 1) stjecanje inferencijalnog znanja; 2) usporedbe različite točke pogledi na kontroverzna pitanja; 3) priređivanje tekstova iu drugim slučajevima. Formalizmi iskaznog računa Mnogi modeli reprezentacije znanja temelje se na formalizmima iskaznog i predikatskog računa. Strogi prikaz ovih teorija sa stajališta klasične matematičke logike sadržan je u djelima Schoenfielda i Tazea, a kod Pospelova se može naći popularan prikaz ovih teorija, koji se može preporučiti kao početni uvod. Prema Thaizeovoj definiciji, logičke propozicije su klasa rečenica u prirodnom jeziku koje mogu biti istinite ili lažne, a propozicioni račun je grana logike koja proučava takve rečenice. Postavlja se prirodno pitanje: Što učiniti s rečenicama jezika, o čijoj se istinitosti ne može reći ništa određeno? Primjer. “Ako sutra bude padala kiša, ostat ću kod kuće.” Za sada ćemo jednostavno pretpostaviti da sve rečenice s kojima imamo posla pripadaju klasi logičkih iskaza. Izjave ćemo označavati velikim slovima. latinica i indeks, ako je potrebno izlaganjem. Primjeri zapisa iskaza: S, S1, S2, H, H1, H2. Kao što je već navedeno, logična tvrdnja je ili istinita ili netočna. Točnoj izjavi se dodjeljuje logička vrijednost - 41 - TRUE (ili I), lažnoj izjavi se dodjeljuje logička vrijednost FALSE (ili L). Dakle, vrijednost istinitosti tvori skup (I, L). U iskaznom se računu uvodi pet logičkih veznika (tablica 3) uz pomoć kojih se sastavljaju logičke formule u skladu s pravilima konstrukcije. Tablica 3 Logički veznici Uobičajeni naziv Vrsta Druga oznaka oznake Negacija Unarni -, ~, NOT, NOT  Konjunkcija ^ Binarno & , ., AND , AND * Disjunkcija  Binarno ILI ILI Implikacija  Binarno => -> Ekvivalencija  Binarno<=> <->~ * Napomena: ne brkati s vrijednošću istine I. Skup pravila za konstruiranje logičkih formula na temelju iskaza uključuje tri komponente: − osnovu: svaki iskaz je formula; − korak indukcije: ako su X i Y formule, tada su X, (X ^ Y), (X  Y), X Y i X  Y formule; − ograničenje: formula se jedinstveno dobiva pomoću pravila opisanih u koraku baze i indukcije. Formule su označene velikim slovima latinične abecede s indeksima. Uzorci logičkih formula dani su u primjeru. Primjeri a) T = S1 ^ S2; b) N = H1H2. Izraz a) može se pročitati na sljedeći način: “Logička formula T je konjunkcija (logičko vezivo I) logičkih izjava S1 i S2.” Tumačenje izraza b) je sljedeće: “Logička formula N je disjunkcija (logičko vezivo ILI) negacije (NE) logičke izjave H1 i logična izjava H2". Vrijednost istinitosti logičke formule je funkcija vrijednosti istinitosti njenih konstitutivnih iskaza i može se odrediti jedinstveno pomoću tablica istinitosti. Ispod su tablice istinitosti za negaciju i binarne konektore (tablice 4, 5). Dakle, ako su poznate istinitosne vrijednosti za izjave iz primjera a), na primjer S1 = I, S2 = L, tada je istinita vrijednost za formulu - 42 - T se nalazi na sjecištu drugog retka i trećeg stupca u tablici 5, odnosno T = L. Tablica 4. Tablica istinitosti za negaciju ¬X I L L I Tablica 5. Tablica istinitosti za binarne konektive X Y X^Y X Y X Y XY I I I I I I I I L I I I I I L L L I I I I I I I L L L I I Predikatna logika prvog reda Odnosi između objekata opisuju se pomoću posebnih matematičkih koncepata koji se nazivaju logički predikati, a predikatni račun je grana logike koja ih proučava. Svaka je logika formalni sustav za koji se mora definirati: − abeceda sustava - prebrojiv skup simbola; − formule sustava - određeni podskup svih riječi koje se mogu oblikovati od simbola uključenih u abecedu (obično se navodi postupak koji omogućuje sastavljanje formula od simbola abecede sustava); − aksiome sustava - odabrani skup formula sustava; − pravila zaključivanja sustava – konačan skup relacija između formula sustava. Rječnik predikatskog računa u svom standardnom prikazu uključuje sljedeće pojmove: − varijable (označavat ćemo ih zadnjim slovima engleske abecede u, v, x, y, z); − konstante (označavat ćemo ih prvim slovima engleske abecede a, b, c, d): o pojedinačne konstante; o funkcionalne konstante; o predikatske konstante; − izjave; - 43 - − logički veznici (¬ (negacija), konjunkcija, disjunkcija, implikacija); − kvantifikatori: (postojanje, univerzalnost); − termalne vode; − funkcionalni oblici; − predikatski oblici; − atomi; − formule. Individualne konstante i pojedinačne varijable Slične su konstantama i varijablama iz matematička analiza, s jedinom razlikom što njihov raspon varijacija predstavlja pojedince, a ne stvarne brojeve. U teoriji umjetne inteligencije, imenovane konstante i varijable u memoriji agenta koje odgovaraju objektima i konceptima u stvarnom svijetu obično se nazivaju konceptima. U jezicima prvog reda varijable mogu biti samo pojedinačne, pa se jednostavno nazivaju varijablama. Kao što će biti prikazano u nastavku, korištenje jezika prvog reda i odbijanje korištenja jezika višeg reda nameće dodatna ograničenja na klasu rečenica prirodnog jezika koje se razmatraju. Pojedine konstante označavat ćemo malim slovima a, b, c, u, v, w latinične abecede s indeksima ili mnemotehničkim nazivima preuzetima iz teksta. Za označavanje varijabli koristit će se mala slova slova x,y,z , latinica s indeksima. Primjer. Pojedinačne konstante: a1, b1, c, u, v1, prodavač_w, k22, kupnja_l, m10, knjiga_a1. Varijable: x, y2, z33. Predikatske konstante Predikatske konstante označavaju relaciju koju predikat opisuje. Konstanta predikata ne mijenja svoju vrijednost istine. Povezan je s odgovarajućim brojem argumenata ili parametara, koji se nazivaju termini, tvoreći predikatni oblik. Predikatske konstante označavaju se mnemotehničkim nazivima ili slovom latinične abecede P s indeksima. Jezik predikata sadrži jezik iskaza, budući da iskaz nije ništa više od predikatske konstante bez argumenata ili oblika predikata s nultim mjestom. Semantičko područje oblika predikata podudara se s područjem promjene iskaza, tj. (I, L). Funkcionalne konstante Funkcionalna konstanta (f, g, h) kao i predikatna konstanta, kada se kombiniraju s odgovarajućim brojem članova, tvore funkcionalni oblik. Razlika između funkcionalnog oblika i predikatnog oblika je u tome što - 44 - se njegova semantička domena sastoji od skupa pojedinačnih konstanti. Funkcionalna konstanta nultog mjesta jednostavno je individualna konstanta. logički veznici u predikatskom računu služe za tvorbu formula. Kvantifikatori. Predikatski račun koristi dva kvantifikatora: opći kvantifikator () i kvantifikator postojanja (). Izraz xP se čita kao "za svaki x P je istina." Izraz xP se čita kao "postoji x za koji je P istinito." Termin je izraz formiran od varijabli i konstanti, moguće korištenjem funkcija. Pojmovi, oblici, atomi i formule u predikatnom računu konstruirani su prema sljedećim pravilima: - svaka varijabla ili konstanta je pojam; − ako su t1,...,tn termini, a f je n-arni funkcijski simbol, tada je f(t1,...,tn) termin; − nema drugih termina. Zapravo, svi objekti u predikatnoj logici prvog reda predstavljeni su upravo u obliku pojmova. Ako pojam ne sadrži varijable, tada se naziva osnovni ili konstantni pojam. Član (t1,t2 ...tn) je svaka varijabla i bilo koji funkcionalni oblik. Funkcionalni oblik je funkcionalna konstanta povezana s odgovarajućim brojem članova. Ako je f funkcionalna n-arna konstanta i t1 ..., tn su članovi, tada se odgovarajući oblik obično označava s f(t1, ...,tn). Ako je n=0, tada jednostavno napišite f. Predikatni oblik je predikatna konstanta povezana s odgovarajućim brojem članova. Ako je p odgovarajuća m -arna konstanta i t1, . .., tn su članovi, tada se odgovarajući oblik označava s p(t1,...,tm). Atom je predikatni oblik ili neka jednakost, tj. izraz poput (s=t), gdje su s i t članovi. Atomična ili elementarna formula se dobiva primjenom predikata na termine, točnije, to je izraz p(t1,...,tn), gdje je p n-arni predikatni simbol (formula), a t1,.. .,tn su pojmovi. Pojam formule definiran je rekurzivno (induktivno) sljedećim pravilima: - atom je formula; - ako je A formula, A je formula; - ako su A i B formule, onda su (A ^ B), (A  B), (A  B) i (A  B) formule; - ako je A formula, a x varijabla, tada su xA i xA formule. Predstavimo abecedu logike predikata kroz pojmove. Konstante. Služe kao imena pojedinaca (za razliku od imena agregata): predmeta, ljudi ili događaja. Konstante su predstavljene - 45 - simbolima kao što su Jacques_2 (dodatak 2 riječi Jacques označava vrlo specifičnu osobu među ljudima s tim imenom), Book_22, Parcel_8. Varijable. Oni označavaju imena agregata, kao što su osoba, knjiga, paket, događaj. Simbol Knjiga_22 predstavlja vrlo specifičnu instancu, a simbol knjiga označava ili skup "svih knjiga" ili "koncept knjige". Simboli x, y, z predstavljaju nazive kolekcija (određenih skupova ili koncepata). Nazivi predikata (konstante predikata). Oni definiraju pravila za povezivanje konstanti i varijabli, na primjer pravila gramatike, procedure, matematičke operacije. Za predikativna imena koriste se simboli poput sljedećih fraza: Pošalji, Pišite, Plus, Dijeli. Nazivi funkcija (konstante funkcija) predstavljaju ista pravila kao i predikati. Kako bi se izbjegla zabuna s imenima predikata, funkcionalni nazivi pišu se samo malim slovima: izraz, poslati, napisati, plus, podijeliti. Simboli koji se koriste za predstavljanje konstanti, varijabli, predikata i funkcija nisu "ruske riječi". Oni su simboli neke reprezentacije - riječi "objektnog jezika" (u našem slučaju, jezika predikata). Prezentacija mora isključiti svaku dvosmislenost jezika. Dakle, imena pojedinaca sadrže brojeve koji su pridruženi nazivima agregata. Jacques_1 i Jacques_2 predstavljaju dvije osobe s istim imenima. Ovi prikazi su konkretizacija naziva agregata “Jacques”. Predikat je naziv predikata zajedno s odgovarajućim brojem pojmova. Predikat se još naziva i predikatski oblik. Primjer. Na ruskom: Jacques šalje knjigu Marie, logično: Parcel (Jacques_2, Marie_4, Book_22). Neizrazita logika Pojava neizrazite logike, teorije neizrazitih skupova i drugih “neizrazitih” teorija povezuje se s radom američkog znanstvenika Zadeha. Zadehova je glavna ideja bila da se ljudski način zaključivanja, temeljen na prirodnom jeziku, ne može opisati u okviru tradicionalnih matematičkih formalizama. Ove formalizme karakterizira stroga jednoznačnost tumačenja, a sve što je povezano s uporabom prirodnog jezika ima višeznačno tumačenje. Zadehov cilj bio je izgraditi novu matematičku disciplinu, koja se ne bi temeljila na klasičnoj teoriji skupova, već na teoriji neizrazitih skupova. Dosljednim provođenjem ideje nejasnoće, prema Zadehu, moguće je konstruirati nejasne analogije svih temeljnih matematičkih pojmova i stvoriti potreban formalni aparat za modeliranje ljudskog razmišljanja i ljudskog načina rješavanja problema (slika 17). - 46 - Stvaranje teorije neizrazitih skupova - Rješenje Matematička teorija neizrazitih skupova - Osnova mehanizma Formalizacija rasuđivanja ljudskog načina - Problem Teza - osoba u svom svakodnevnom životu - Problem razmišlja i donosi odluke na temelju neizrazitih koncepata Sl. . 17. Logika nastanka teorije neizrazitih skupova Trenutno, teorija neizrazitih skupova i neizrazita logika (fuzzy skup & Mutna logika ) zauzima snažno mjesto među vodećim područjima umjetne inteligencije. Koncept “neizrazitog”, prvotno primijenjen na skupove, a zatim na logiku, uspješno je proširen na druga područja matematike i informatike i sada već postoji: - teorija neizrazitih odnosa; - teorija neizrazitih skupova; - teorija neizrazitih mjera i integrala; - teorija neizrazitih brojeva i jednadžbi: - teorija neizrazite logike i približnog zaključivanja: - teorija neizrazitih jezika; - teorija neizrazitih algoritama; - teorija neizrazitih modela optimizacije i odlučivanja. Među ruskim korisnicima najpopularniji su sljedeći paketi: 1) CubiCalc 2.0 RTC – jedan od najmoćnijih komercijalnih ekspertnih sustava temeljen na neizrazitoj logici, koji vam omogućuje stvaranje vlastitih primijenjenih ekspertnih sustava; 2) CubiQuick – akademska verzija paketa CubiCalc; 3) RuleMaker – program za automatsko izdvajanje neizrazitih pravila iz ulaznih podataka; 4) FuziCalc - proračunska tablica s nejasnim poljima koja vam omogućuje da napravite brze procjene s netočno poznatim podacima bez gomilanja pogrešaka; 5) OWL – paket koji sadrži izvorne kodove svih poznatih tipova neuronskih mreža, neizrazite asocijativne memorije itd. Glavni "potrošači" neizrazite logike na ruskom tržištu su: bankari, financijeri i stručnjaci u području političke i ekonomske analize. - 47 - Većina ljudskih zadataka ne zahtijeva visoku preciznost. Često morate pronaći razuman kompromis između pojmova "točnosti" i "važnosti" kada komunicirate sa stvarnim svijetom. Na primjer: da bi donio odluku o prelasku ulice, osoba ne procjenjuje brzinu automobila koji se približava s točnošću od desetinki metara u sekundi. On za sebe definira brzinu automobila kao “vrlo brzu”, “brzu”, “sporu” itd., tj. koristi lingvističke varijable za označavanje brzine. Teorija neizrazitih skupova nudi sljedeće metode za formaliziranje neizrazitih koncepata. Prva metoda (temeljena na radu Zadeha) uključuje napuštanje osnovne izjave klasične teorije skupova da element može pripadati ili ne pripadati skupu. U ovom slučaju uvodi se posebna karakteristična funkcija skupa - takozvana funkcija pripadnosti, koja uzima vrijednosti iz intervala. Ova metoda vodi do logike kontinuuma. U drugoj, općenitijoj metodi formaliziranja nejasnoće, pretpostavlja se da karakteristične funkcije skupa ne uzimaju vrijednost iz intervala, već u konačnoj ili beskonačnoj distributivnoj rešetki. Ova se generalizacija naziva neizraziti skupovi u smislu Gauguina. Treća metoda su P-neizraziti skupovi. Ovom generalizacijom svaki element univerzalnog skupa nije pridružen točki u intervalu, već podskupu ili dijelu tog intervala. Algebra P-neizrazitih skupova može se svesti na algebru klasa. Četvrta metoda su heterogeni neizraziti skupovi. Ovdje, u općem slučaju, elementima univerzalnog skupa dodijeljene su vrijednosti u različitim distributivnim rešetkama. Svaki element može se povezati s ocjenom koja mu najviše odgovara. Štoviše, vrijednosti samih procjena mogu biti nejasne i navedene u obliku funkcija. Dobivena je opća ideja neizrazite logike. Sada o svemu detaljnije. Razmotrimo konceptualni aparat koji se temelji na konceptu "lingvističke varijable". Definicija lingvističke varijable (intuitivna)4 Ako varijabla može poprimiti značenje riječi u prirodnom jeziku (na primjer, "mali", "brz" itd.), tada se ta varijabla definira kao lingvistička varijabla. Riječi čije vrijednosti uzima lingvistička varijabla obično označavaju nejasne skupove. 4 Inteligentni informacijski sustavi: Smjernice za laboratorijsku radionicu na kolegiju "Inteligentni informacijski sustavi" za studente specijalnosti 071900 - Informacijski sustavi u ekonomiji / Ufimsk. država zrakoplovstvo tehn. Sveučilište; komp.: G.G.Kulikov, T.V.Breikin, L.Z.Kamalova. - Ufa, 1999. -40 str. - 48 - Jezična varijabla može uzeti ili riječi ili brojeve kao svoje vrijednosti. Definicija lingvističke varijable (formalno) Jezična varijabla naziva se petorka (x, T(x), X, G, M), gdje je x naziv varijable; T(x) – skup naziva lingvističkih vrijednosti varijable x, od kojih je svaki neizraziti skup na skupu X; G – sintaktičko pravilo za tvorbu naziva x vrijednosti; M je semantičko pravilo za povezivanje svake vrijednosti s njezinim konceptom. Svrha koncepta lingvističke varijable je formalno reći da varijabla može uzeti kao vrijednost riječi iz prirodnog jezika. Drugim riječima, svaka se lingvistička varijabla sastoji od: − imena; − skup njegovih vrijednosti, koji se naziva i osnovni term skup T. Elementi osnovnog term skupa su imena neizrazitih varijabli; − univerzalni skup X; − sintaktičko pravilo G prema kojem se novi termini generiraju pomoću riječi prirodnog ili formalnog jezika; − semantičko pravilo P, koje svaku vrijednost lingvističke varijable dodjeljuje neizrazitom podskupu skupa X. Na primjer, ako kažemo “velika brzina”, onda varijablu “brzina” treba shvatiti kao lingvističku varijablu, ali to ne znači da varijabla “brzina” ne može poprimiti stvarne vrijednosti. Neizrazitu varijablu opisuje skup (N,X,A), gdje je N naziv varijable, X je univerzalni skup (domena razmišljanja), A je neizraziti skup na X. Vrijednosti lingvističke varijable mogu biti neizrazite varijable, tj. lingvistička varijabla je na višoj razini od neizrazite varijable. Glavni pristup formaliziranju nejasnoća je sljedeći. Nejasni skup se formira uvođenjem generaliziranog koncepta pripadnosti, tj. proširenje dvoelementnog skupa vrijednosti karakteristične funkcije (0,1) na kontinuum. To znači da se prijelaz od potpune pripadnosti objekta klasi do njezine potpune ne-pripadnosti ne događa naglo, već glatko, postupno, a pripadnost elementa skupu izražava se brojem iz intervala . - 49 - Neizraziti skup (FS) se matematički definira kao skup uređenih parova sastavljenih od elemenata x univerzalnog skupa X i odgovarajućih stupnjeva pripadnosti μa(x) ili (budući da je funkcija pripadnosti iscrpna karakteristika SM-a). ) izravno u obliku funkcije Univerzalnog skupa X neizrazitog skupa A je domena definicije funkcije pripadnosti μa. Na sl. 18 prikazuje glavne vrste funkcija članstva. Riža. 18. Vrsta funkcija pripadnosti Prema vrsti funkcije pripadnosti razlikuju se na: - submodalne (slika 1. c); − amodal (slika 1. a); − multimodalni (sl. 1. m); − unimodalni (sl. 1. u). − Primjer. 1) A =((x1,0,2),(x2,0,6),(x3,1),(x4,0,8)); 2) A = 0,2|x1 + 0,6|x2 + 1|x3 + 0,8|x4. 3) Isti primjer može se prikazati u obliku tablice. Tablica 6 A= Tablica opisa funkcije pripadnosti x1 x2 x3 x4 0,2 0,6 1 0,8 Primjer “Mnogo visokih ljudi” B stvaran život Takav koncept kao što je "visina visoke osobe" je subjektivan. Neki vjeruju da bi visoka osoba trebala biti veća od 170 cm, drugi - više od 180 cm, drugi - više od 190 cm Nejasni setovi omogućuju nam da uzmemo u obzir takvu nejasnoću procjena. - 50 - Neka je x lingvistička varijabla koja označava “visinu osobe”, njena funkcija pripadnosti skupu visokih ljudi A:X(0,1), gdje je X skup koji uključuje sve moguće vrijednosti visine osobe, dana je na sljedeći način: Tada je skup “visokih ljudi” dan izrazom A=(x| A(x)=1), x ϲ X. Ovo je grafički prikazano na Sl. 19 (puna linija), tj. ovisi o osobi koja procjenjuje. Neka funkcija pripadnosti A:X(0,1) ima oblik prikazan na slici isprekidanom linijom. Riža. 19. Nejasni skup visokih ljudi Dakle, osoba visoka 145 cm pripadat će skupu A sa stupnjem pripadnosti A(145)=0, osoba visoka 165 cm - A(165) = 0,3, 185 cm visoka -A (185 )= 0,9, a visina 205 cm - A(205)=1. Primjer. "Je li ti sada hladno?" Osoba doživljava temperaturu od +60oF (+12oC) kao hladnoću, a temperaturu od +80oF (+27oC) kao vrućinu. Temperature od +65oF (+15oC) se nekima mogu činiti hladnima, ali drugima prilično ugodnima. Ovu skupinu definicija nazivamo funkcijom pripadnosti skupovima koji opisuju subjektivnu percepciju osobe o temperaturi. Strojevi nisu sposobni za tako finu gradaciju. Ako je standardna definicija hladnoće "temperatura ispod +15oC", tada će se +14,99oC smatrati hladnoćom, ali +15oC neće. Na sl. 20. Prikazan je grafikon koji pomaže razumjeti kako osoba percipira temperaturu. Jednako je jednostavno stvoriti dodatne skupove koji opisuju ljudsku percepciju temperature. Na primjer, možete dodati skupove kao što su "vrlo hladno" i "vrlo vruće". Moguće je opisati slične funkcije za druge koncepte, kao što su otvorena i zatvorena stanja, temperatura hladnjaka - 51 - ili temperatura rashladnog tornja. Riža. 20. Neizraziti skup “Temperatura” Dakle, možemo izvući sljedeće zaključke o suštini pojma “neizraziti skup”: 1) neizraziti skupovi opisuju nejasne pojmove (brzi trkač, topla voda, vruće vrijeme); 2) nejasni skupovi dopuštaju mogućnost djelomičnog pripadanja njima (petak je dijelom slobodan dan (skraćeno), vrijeme je prilično vruće); 3) stupanj pripadnosti objekta neizrazitom skupu određen je odgovarajućom vrijednošću funkcije pripadnosti na intervalu (petak pripada vikendu sa stupnjem pripadnosti 0,3); 4) funkcija pripadnosti pridružuje objekt (ili logičku varijablu) vrijednosti stupnja njezine pripadnosti neizrazitom skupu. Oblici krivulja za određivanje funkcija pripadnosti Postoji preko desetak standardnih krivulja za određivanje funkcija pripadnosti. Najviše se koriste: trokutaste, trapezoidne i Gaussove funkcije pripadnosti. Trokutasta funkcija pripadnosti definirana je trojkom brojeva (a,b,c), a njezina vrijednost u točki x izračunata je prema izrazu (1).  bx 1  b  a , a  x  b;  c  x MF (x)   , b  x  c; c  b  0, u svim ostalim slučajevima   - 52 - (1) Kada je (b-a)=(c-b) imamo slučaj simetrične trokutaste funkcije pripadnosti (Sl. 21), koja se može jedinstveno specificirati s dva parametri iz trojke (a ,b,c). Riža. 21. Trokutasta funkcija pripadnosti Slično tome, za specificiranje trapezoidne funkcije pripadnosti potrebna je četvorka brojeva (a,b,c,d).  bx 1  b  a , a  x  b;  1, b  x  c; MF (x)   d  x , c  x  d; d c 0, u svim ostalim slučajevima  (2) Kada je (b-a)=(d-c) trapezna funkcija pripadnosti poprima simetričan oblik (slika 22). Riža. 22. Trapezoidna funkcija pripadnosti Zbirka funkcija pripadnosti za svaki termin u osnovnom skupu termina T obično se iscrtava zajedno na jednom grafu. Na sl. 23 predstavlja formalizaciju nepreciznog koncepta “ljudskog doba”. Tako je za 48-godišnju osobu stupanj pripadnosti skupu “Mlad” 0, “Prosječan” – 0,47, “Iznad prosjeka” – 0,20. - 53 - Sl. 23. Opis lingvističke varijable “Ljudska dob” Osnovne operacije nad neizrazitim skupovima U nastavku su prikazane osnovne operacije nad neizrazitim skupovima iz klase svih neizrazitih skupova F(X)=( | :X  ) univerzalnog skupa X. 1. Zbrajanje5  2 =   = 1-  1,  x  X Sl. 24. Graf operacije “Zbrajanje” nad funkcijom M 2. Presjek I (minimum: neinteragirajuće varijable).  3 = ( 1   2) (x)= min( 1(x),  2(x)) ,  x  X 3. Unija I (maksimum: neinteragirajuće varijable).  3 = ( 1   2) (x)= max( 1(x),  2(x)) ,  x  X 4. Raskrižje II (ograničeni proizvod).  3 = ( 1   2) (x)= max(0,  1(x) +  2(x)-1) , x  X 5. Udruživanje II (maksimum: ograničeni iznos).  3 = ( 1   2) (x)= min(1,  1(x) +  2(x)) ,  x  X 6. Presjek III (algebarski produkt). 5 Ovdje i dolje na žutoj pozadini prikazane su operacije koje su iste za sve tri baze. - 54 -  3 = ( 1   2) (x)=  1(x) *  2(x) ,  x  X 7. Unija III (algebarski zbroj).  3 = ( 1   2) (x)=  1(x) +  2(x)-  1(x)   2(x) ,  x  X A B Sl. 25. Graf operacije presjeka I (A) kombiniranja I (B) funkcija M i M1 A B Sl. 26. Graf operacije presjeka II (A) spajanja II (B) funkcija M i M1 A B Sl. 27. Graf operacije presjeka III (A) spajanjem III (B) funkcija M i M1 - 55 - 8. Razlika.  3 =  1(x) -  2(x) = max(0,  1(x) -  2(x)) ,  x  X 9. Koncentracija.  3 =  2(x) ,  x  X Sl. 28. Grafikon razlike funkcija M i M1 Sl. 29. Graf koncentracije funkcije M1 Za razliku od Booleove algebre, u F(X) nisu zadovoljeni zakoni isključenja trećeg. Kada se konstruiraju operacije unije ili presjeka u F(X), potrebno je odbaciti ili zakone isključenja sredine, ili svojstva distributivnosti i idempotencije. Neizraziti objekti mogu se klasificirati prema vrsti raspona vrijednosti funkcije pripadnosti. I ovdje se razlikuju X opcije: - rešetka; - poluskupina; - prsten; - kategorija. Slučaj od S-neizraziti skupovi, definiran parom (X, ), gdje je - 56 - :XS preslikavanje iz X u linearno uređen skup S. Prirodno je nametnuti zahtjeve konačnosti i potpunosti na S. Primjer konačnog linearno uređenog skupa je skup lingvističkih vrijednosti lingvističke varijable “QUALITY” = (loše, prosječno, dobro, izvrsno). N 1 2 3 4 5 6 7 8 9 Tablica 7 Tablica korespondencije operacija na neizrazitim skupovima i logičkim funkcijama Naziv operacije Modifikator/veza Dodatak NOT Sjecište (minimalno: I (AND, ..., AND) varijable koje nisu u interakciji) Unija I (maksimalno: ILI varijable koje nisu u interakciji) (ILI, ... , ILI) Sjecište II (ograničeno I umnožak) Unija II (ograničeni zbroj) ILI Sjecište III (algebarski I umnožak) Unija III (algebarski zbroj) ILI Razlika Koncentracija VRLO Kako je pokazano, ovisno o načinu uvođenja operacija unije i presjeka NM, postoje tri glavne teorije NM. Sukladno sličnim kriterijima dijele se na: - neizrazitu logiku s maksimin operacijama (operacije 1,2,3,8,9); − neizrazita logika s ograničenim operacijama (operacije 1,4,5,8,9); − probabilistička neizrazita logika (operacije 1,6,7,8,9). Tretiranje istine kao lingvističke varijable dovodi do neizrazite logike s vrijednostima "istinito", "vrlo istinito", "potpuno istinito", "manje-više istinito", "ne baš istinito", "lažno" itd. , tj. logici s neizrazitim vrijednostima, na kojoj se temelji teorija približnog zaključivanja. Područja primjene teorije neizrazitih skupova u različitim područjima ljudskog znanja Filozofski gledano, teorija neizrazitih skupova ističe se po tome što otvara

Prijepis

2 E. V. Borovskaya N. A. Davydova OSNOVE UMJETNE INTELIGENCIJE Udžbenik 3. izdanje (elektronički) Moscow Knowledge Laboratory 2016.

3 Serija UDK BBK B83 osnovana 2007. Borovskaya E. V. B83 Osnove umjetne inteligencije [ Elektronički izvor]: udžbenik / E. V. Borovskaya, N. A. Davydova. 3. izd. (el.). Elektron. tekstualni podaci (1 pdf datoteka: 130 str.). M.: Laboratorija znanja, (Pedagoško obrazovanje). Sustav. zahtjevi: Adobe Reader XI; ekran 10". ISBN Udžbenik uvodi čitatelje u povijest umjetne inteligencije, modele reprezentacije znanja, ekspertne sustave i neuronske mreže. Opisuju se glavni pravci i metode korištene u analizi, razvoju i implementaciji inteligentnih sustava. Modeli i metode reprezentacije znanja rada s njima, metode za razvoj i stvaranje ekspertnih sustava. Knjiga će pomoći čitatelju da ovlada vještinama logičkog dizajna baza podataka predmetnog područja i programiranja u jeziku ProLog. Za studente i nastavnike pedagoških sveučilišta, nastavnike srednje škole, gimnazije, liceji. UDK BBK Izvedeno elektroničko izdanje temeljeno na tiskanom analogu: Osnove umjetne inteligencije: udžbenik / E. V. Borovskaya, N. A. Davydova. M.: BINOM. Laboratorij znanja, str.: ilustr. (Pedagoško obrazovanje). ISBN U u skladu s člankom 1301. Građanskog zakonika Ruske Federacije prilikom uklanjanja ograničenja utvrđenih tehničkim sredstvima za zaštitu autorskih prava, nositelj autorskih prava ima pravo zahtijevati odštetu ili naknadu od prekršitelja ISBN c Laboratorij znanja, 2015.

4 SADRŽAJ Poglavlje 1. Umjetna inteligencija Uvod u sustave umjetne inteligencije Koncept umjetne inteligencije Umjetna inteligencija u Rusiji Funkcionalna struktura sustava umjetne inteligencije Smjerovi razvoja umjetne inteligencije Podaci i znanje. Prikaz znanja u inteligentnim sustavima Podaci i znanje. Osnovne definicije Modeli reprezentacije znanja Ekspertni sustavi Struktura ekspertnog sustava Razvoj i uporaba ekspertnih sustava Klasifikacija ekspertnih sustava Predstavljanje znanja u ekspertnim sustavima Alati za konstrukciju ekspertnih sustava Tehnologija razvoja ekspertnih sustava Kontrolna pitanja i zadaci za poglavlje Literatura za poglavlje Poglavlje 2. Logičko programiranje Metodologije programiranja Metodologija imperativnog programiranja Metodologija objektno orijentiranog programiranja Metodologija funkcionalnog programiranja Metodologija logičkog programiranja Metodologija programiranja ograničenja Metodologija programiranja neuronskih mreža Kratki uvod u predikatski račun i dokazivanje teorema Proces logičkog zaključivanje u jeziku Prolog ..58

5 4 Sadržaj 2.4. Struktura Prolog programa Korištenje kompozitnih objekata Korištenje alternativnih domena Organiziranje ponavljanja u Prologu Metoda vraćanja nakon neuspjeha Metoda rezanja i vraćanja Jednostavna rekurzija Metoda generaliziranog pravila rekurzije (GRR) Popisi u jeziku Prolog Operacije na listama Stringovi u jeziku Prolog Operacije nad nizovima Datoteke u jeziku Prolog Prolog predikati za rad s datotekama Opis domene datoteke Zapisivanje u datoteku Čitanje iz datoteke Modificiranje postojeće datoteke Dodavanje na kraj postojeće datoteke Stvaranje dinamičkih baza podataka u jeziku Prolog Baze podataka u Prologu Predikati dinamičke baze podataka u Prolog jezik Izrada ekspertnih sustava Struktura ekspertnog sustava Prezentacijsko znanje Metode zaključivanja Sustav korisničkog sučelja Ekspertni sustav temeljen na pravilima Testna pitanja i zadaci za poglavlje Literatura za poglavlje Poglavlje 3. Neuronske mreže Uvod u neuronske mreže Umjetni model neurona Primjena neuronskih mreža Obuka neuronske mreže Kontrolna pitanja i zadaci za poglavlje Literatura za poglavlje

6 POGLAVLJE 1 UMJETNA INTELIGENCIJA 1.1. Uvod u sustave umjetne inteligencije Pojam umjetne inteligencije Sustav umjetne inteligencije (AI) je softverski sustav koji simulira ljudski proces razmišljanja na računalu. Za stvaranje takvog sustava potrebno je proučiti sam proces razmišljanja osobe koja rješava određene probleme ili donosi odluke u određenom području, istaknuti glavne korake tog procesa i razviti softver koji ih reproducira na računalu. Stoga metode umjetne inteligencije uključuju jednostavan strukturirani pristup razvoju složenih programski sustavi odlučivanje . Umjetna inteligencija je grana računalne znanosti, čiji je cilj razviti hardver i softver koji korisniku koji nije programer omogućuje postavljanje i rješavanje svojih tradicionalno smatranih intelektualnih problema, komunicirajući s računalom u ograničenom podskupu prirodnog jezika. Ideja o stvaranju umjetne sličnosti osobe za rješavanje složenih problema i simulaciju ljudskog uma, kako kažu, "visjela je u zraku" još u davna vremena. Utemeljiteljem umjetne inteligencije smatra se srednjovjekovni španjolski filozof, matematičar i pjesnik Raymond Lull koji je još u 13.st. pokušao stvoriti mehanički uređaj za rješavanje različitih problema na temelju univerzalne klasifikacije pojmova koje je razvio.

7 6 Poglavlje 1 Kasnije su Leibniz i Descartes neovisno nastavili ovu ideju, predlažući univerzalne klasifikacijske jezike za sve znanosti. Ovi se radovi mogu smatrati prvim teorijskim radovima na području umjetne inteligencije. Međutim, konačno rođenje umjetne inteligencije kao znanstvenog pravca dogodilo se tek nakon stvaranja računala 1940-ih, kada je Norbert Wiener stvorio svoje temeljne radove o novoj znanosti kibernetike. Termin "umjetna inteligencija" (AI; ​​​​engleski AI "Artificial Intelligence") predložen je 1956. godine na istoimenom seminaru na Dartmouth Collegeu (SAD). Ovaj seminar je bio posvećen razvoju metoda za rješavanje logičkih (a ne računalnih) problema. Imajte na umu da na engleskom ovaj izraz nema onu pomalo fantastičnu antropomorfnu konotaciju koju je dobio u prilično neuspješnom ruskom prijevodu. Riječ "inteligencija" jednostavno znači "sposobnost inteligentnog rasuđivanja", a ne uopće "inteligencija" (za koju postoji zasebna engleska analogija "intellect"). Ubrzo nakon što je umjetna inteligencija prepoznata kao posebno područje znanosti, podijeljena je na dva područja: neurokibernetiku i kibernetiku “crne kutije”. Ta su se područja razvijala gotovo neovisno, bitno se razlikuju i metodološki i tehnološki. I tek sada su vidljivi trendovi ponovnog spajanja tih dijelova u jedinstvenu cjelinu. Neurokibernetika Glavna ideja ovog smjera može se formulirati na sljedeći način: "Jedini objekt koji može razmišljati je ljudski mozak, stoga bilo koji uređaj za razmišljanje mora nekako reproducirati njegovu strukturu." Dakle, neurokibernetika je usmjerena na softversko i hardversko modeliranje struktura sličnih strukturi mozga. Napori neurokibernetike usmjereni su na stvaranje elemenata sličnih neuronima i njihovu integraciju u funkcionalne sustave, neuronske mreže.

8 Umjetna inteligencija 7 Prve neuronske mreže nastale su 1990-ih. To nisu bili baš uspješni pokušaji stvaranja sustava koji simuliraju ljudsko oko i njegovu interakciju s mozgom. Postupno 1920-ih Broj radova u ovom području umjetne inteligencije počeo je opadati; prvi rezultati bili su previše razočaravajući. Obično su autori razvoja objasnili svoje neuspjehe malom memorijom i malom brzinom postojećih računala u to vrijeme. Prvo neuroračunalo stvoreno je u Japanu u sklopu projekta “Računala pete generacije”. U to su vrijeme ograničenja memorije i brzine računala praktički ukinuta. Pojavila su se transputerska računala s velikim brojem procesora koji implementiraju paralelno računanje. Transputerska tehnologija jedan je od desetak novih pristupa hardverskoj implementaciji neuronskih mreža koje modeliraju hijerarhijsku strukturu ljudskog mozga. Općenito, danas možemo razlikovati tri glavne vrste pristupa stvaranju neuronskih mreža: hardverski (stvaranje posebnih računala, neuročipova, kartica za proširenje, čipsetova), softver (stvaranje programa i softverski alati, dizajniran za računala visokih performansi; takve mreže nastaju “virtualno”, u memoriji računala, a sav posao obavljaju vlastiti procesori) i hibridne (kombinacija prva dva načina). Kibernetika crne kutije i umjetna inteligencija Ovaj pristup se temelji na principu suprotnom od neurokibernetike. Ovdje više nije važno kako je točno "razmišljajući" uređaj strukturiran, glavno je da reagira na zadane ulazne utjecaje na isti način kao i ljudski mozak. Zagovornici ovog trenda motivirali su svoj pristup činjenicom da ljudi u svojim znanstvenim i tehnološkim traganjima ne bi trebali slijepo slijediti prirodu. Osim toga, granične znanosti o čovjeku nisu mogle značajno pridonijeti

9 8 1. poglavlje th teorijskog priloga koji objašnjava (bar približno) kako se odvijaju intelektualni procesi u čovjeku, kako funkcionira njegovo pamćenje i kako čovjek percipira svijet oko sebe. Ovo područje umjetne inteligencije bilo je usmjereno na pronalaženje algoritama za rješavanje intelektualnih problema na postojećim modelima računala. Značajan doprinos razvoju nova znanost pridonijeli su pioniri kao što su McCarthy, Minsky, Newell, Simon, Shaw, Hunt i dr. 1920-ih. Provedene su intenzivne potrage za modelima i algoritmima ljudskog mišljenja te razvoj prvih programa temeljenih na njima. Predstavnici humanističkih znanosti, filozofi, psiholozi i lingvisti, ni tada ni sada, nisu mogli predložiti takve algoritme, a zatim je kibernetika počela stvarati svoje modele. Stoga su dosljedno kreirani i testirani različiti pristupi. Krajem 1950-ih. pojavio se model traženja labirinta. Ovaj pristup predstavlja problem kao određeni prostor stanja u obliku grafa, nakon čega se u tom grafu traži optimalan put od ulaznog podatka do rezultantnog podatka. Puno se radilo na izradi takvog modela, ali ova ideja još nije našla široku primjenu za rješavanje praktičnih problema. Ranih 1960-ih postala era heurističkog programiranja. Heuristika je pravilo koje nije teoretski opravdano, ali vam omogućuje smanjenje broja pretraživanja u prostoru pretraživanja. Heurističko programiranje je razvoj strategije djelovanja na temelju poznatih, unaprijed određenih heuristika. Devedesetih godina prošlog stoljeća Za rješavanje problema počele su se koristiti metode matematičke logike. Robinson je razvio metodu razlučivanja, koja omogućuje automatsko dokazivanje teorema s obzirom na skup početnih aksioma. Otprilike u isto vrijeme, izvrsni ruski matematičar Yu. S. Maslov predložio je takozvanu inverznu derivaciju (kasnije nazvanu po njemu), rješavajući sličan problem na drugačiji način. Na temelju metode razlučivanja

10 Umjetna inteligencija 9 Francuz Albert Colmeroe stvorio je logički programski jezik Prolog 1973. godine. Program “Theoretical Logician” autora Newella, Simona i Shawa, koji je dokazivao školske teoreme, izazvao je veliko uzbuđenje u znanstvenoj zajednici. Međutim, većina pravi problemi ne može se svesti na skup aksioma, a osoba, kada rješava proizvodne probleme, ne koristi uvijek klasičnu logiku, stoga logički modeli, uza sve svoje prednosti, imaju značajna ograničenja na klase problema koji se rješavaju. Povijest umjetne inteligencije puna je dramatičnih događaja, a jedan od njih je tzv. “Lighthillov izvještaj” iz 1973. godine, koji je u Velikoj Britaniji pripremljen po narudžbi Britanskog istraživačkog vijeća. Poznati matematičar Lighthill, koji nije profesionalno povezan s umjetnom inteligencijom, pripremio je osvrt na stanje na ovom području. U izvješću su priznata neka postignuća, ali su ocijenjena kao "razočaravajuća", a ukupna ocjena bila je negativna u smislu praktičnog značaja. Ovo je izvješće vratilo europske istraživače unazad oko pet godina, budući da je financiranje rada značajno smanjeno. Otprilike u isto vrijeme značajan proboj u razvoju praktične primjene umjetne inteligencije dogodio se u Sjedinjenim Državama, kada je sredinom 1970-ih. zamijeniti traženje univerzalni algoritam Razmišljajući, došla je ideja o modeliranju specifičnih znanja specijalista stručnjaka. Prvi komercijalni sustavi temeljeni na znanju ili ekspertni sustavi (ES) pojavili su se u Sjedinjenim Državama. Počeo se koristiti i novi pristup rješavanju problema umjetne inteligencije, reprezentacija znanja. Nastala su prva dva ekspertna sustava za medicinu i kemiju, Mycin i Dendral, koji su postali klasici. Značajan financijski doprinos dao je i Pentagon, koji je predložio da se novi program američkog ministarstva obrane temelji na načelima umjetne inteligencije. Već sustižući propuštene prilike, Europska unija početkom 1980-ih. najavio globalni program razvoja novih tehnologija ESPRIT,

11 10 Poglavlje 1, koje je uključivalo probleme umjetne inteligencije. Krajem 1970-ih. Japan se pridružuje utrci, najavljujući početak projekta pete generacije stroja temeljenog na znanju. Projekt je osmišljen deset godina i okupio je najbolje mlade stručnjake iz najvećih japanskih računalnih korporacija. Novi institut, ICOT, posebno je stvoren za te stručnjake i dana mu je potpuna sloboda djelovanja (iako bez prava objavljivanja preliminarnih rezultata). Kao rezultat toga, stvorili su prilično glomazan i skup simbolički procesor koji je implementirao jezik sličan Prologu u softver, ali nije dobio široku prihvaćenost. No, pozitivan učinak ovog projekta bio je očit. U Japanu se pojavila značajna grupa visokokvalificiranih stručnjaka u području umjetne inteligencije, koja je postigla značajne rezultate u različitim primijenjenim problemima. Do sredine 1990-ih. Japansko udruženje za umjetnu inteligenciju već je brojalo 40 tisuća ljudi. Od sredine 1980-ih. Komercijalizacija umjetne inteligencije odvijala se posvuda. Godišnja kapitalna ulaganja su rasla, a stvoreni su industrijski ekspertni sustavi. Postojao je sve veći interes za samoučeće sustave. Izdavali su se deseci znanstvenih časopisa, godišnje su se održavale međunarodne i nacionalne konferencije iz različitih područja umjetne inteligencije, koja je postajala jedno od najperspektivnijih i najprestižnijih područja računalne znanosti. Trenutačno postoje dva glavna pristupa modeliranju umjetne inteligencije: strojna inteligencija, koja se sastoji u strogom određivanju rezultata rada, i umjetna inteligencija, usmjerena na modeliranje unutarnje strukture sustava. Modeliranje sustava prve skupine ostvaruje se korištenjem zakona formalne logike, teorije skupova, grafova, semantičkih mreža i drugih dostignuća znanosti u području diskretnog računarstva, a glavni rezultati su stvaranje ekspertnih sustava, parsiranje sustava

12 Umjetna inteligencija 11 prirodni jezik i jednostavni sustavi upravljanja tipa “podražaj-odgovor”. Sustavi druge skupine temelje se na matematičkoj interpretaciji aktivnosti živčanog sustava (prvenstveno ljudskog mozga) i implementirani su u obliku neuronskih mreža koje se temelje na neuronskom elementu analognom neuronu Umjetna inteligencija u Rusija Godine 1954. na Moskovskom državnom sveučilištu započeo je seminar “Automati i mišljenje” pod vodstvom akademika A. A. Ljapunova (), jednog od utemeljitelja ruske kibernetike. Seminaru su prisustvovali fiziolozi, lingvisti, psiholozi i matematičari. Opće je prihvaćeno da je u to vrijeme u Rusiji rođena umjetna inteligencija. Kao iu inozemstvu, ima dva glavna pravca: neurokibernetika i kibernetika “crne kutije”. Devedesetih godina prošlog stoljeća izrađeni su zasebni programi i provedena su istraživanja u području iznalaženja rješenja logičkih problema. U LOMI-ju (Lenjingradska podružnica Steklovljevog matematičkog instituta) stvoren je program ALPEV LOMI koji automatski dokazuje teoreme, a koji se temelji na izvornom Maslovljevom inverznom izvodu, slično Robinsonovoj metodi rezolucije. Među najznačajnijim rezultatima do kojih su domaći znanstvenici došli šezdesetih godina prošlog stoljeća treba istaknuti algoritam “Kora” M. M. Bongarda koji modelira aktivnost ljudskog mozga u prepoznavanju uzoraka. Veliki doprinos razvoju ruske škole umjetne inteligencije dali su i istaknuti znanstvenici kao što su M. L. Tsetlin, V. N. Puškin, M. A. Gavrilov, čiji su učenici postali pioniri ove znanosti u Rusiji. Devedesetih godina prošlog stoljeća rođen je novi smjer situacijske umjetne inteligencije (koji odgovara prikazu znanja u zapadnoj terminologiji). Utemeljitelj ove znanstvene škole bio je profesor D. A. Pospelov. Razvijeni su i posebni modeli za prezentiranje situacija (predstavljanje znanja). Unatoč činjenici da je stav prema novim znanostima u sovjetskoj Rusiji uvijek bio oprezan, znanost s takvim „izazovom

13 12 Prvo poglavlje s novim naslovom također nije izbjeglo ovu sudbinu i dočekano je neprijateljski u Akademiji znanosti. Srećom, među članovima Akademije znanosti SSSR-a bilo je ljudi koji se nisu bojali takve neobične fraze kao što je naziv novog znanstvenog pravca. Međutim, tek 1974. godine, pod Odborom za analizu sustava pri predsjedništvu Akademije znanosti SSSR-a, stvoreno je znanstveno vijeće za problem "Umjetne inteligencije", na čelu s D. A. Pospelovim. Na inicijativu ovog vijeća organizirano je pet složenih znanstvenih projekata na čelu s vodećim stručnjacima u ovom području: “Dijalog” (rad na razumijevanju prirodnog jezika), “Situacija” (situacijski menadžment), “Banka” (banke podataka), “ Konstruktor” (dizajn tražilice) i “Inteligencija robota”. Devedesetih godina prošlog stoljeća U našoj zemlji su se provodila aktivna istraživanja u području reprezentacije znanja, razvijani su jezici za reprezentaciju znanja i ekspertni sustavi; Refalski jezik stvoren je na Moskovskom državnom sveučilištu. Godine 1988. osnovana je Udruga za umjetnu inteligenciju (AI), a za predsjednika je jednoglasno izabran D. A. Pospelov. U okviru ove udruge provedena su brojna istraživanja, organizirane su škole za mlade specijaliste, seminari, simpoziji, svake dvije godine održavane zajedničke konferencije, izdavan je znanstveni časopis. Treba napomenuti da razina teorijskih istraživanja umjetne inteligencije u Rusiji uvijek nije bila niža od svjetske razine. Međutim, nažalost, od 1980-ih. Postupno zaostajanje tehnologije počelo je utjecati na primijenjeni rad. Trenutno je zaostatak u razvoju industrijskih inteligentnih sustava otprilike 3-5 godina. Glavna područja primjene AI sustava: dokazivanje teorema, igre, prepoznavanje uzoraka, donošenje odluka, adaptivno programiranje, strojno skladanje glazbe, obrada prirodnog jezika, mreže učenja (neuralne mreže), verbalno konceptualno učenje.

14 Umjetna inteligencija Funkcionalna struktura sustava umjetne inteligencije Funkcionalna struktura sustava umjetne inteligencije (slika 1.1) sastoji se od tri kompleksa računalnih alata. Prvi od njih je izvršni sustav (IS), skup alata koji izvršavaju programe i dizajnirani su sa stajališta učinkovitog rješavanja problema; ovaj kompleks ima u nizu slučajeva problemsku orijentaciju. Drugi kompleks je skup alata za inteligentno sučelje koji imaju fleksibilnu strukturu koja pruža mogućnost prilagodbe širokom rasponu interesa krajnjeg korisnika. Treći skup alata uz pomoć kojih je organizirana interakcija prva dva kompleksa je baza znanja, koja osigurava korištenje računalnih alata prvim sl. Funkcionalna struktura AI sustava

15 [...]

16 Minimalno Zahtjevi sustava određuju se odgovarajućim zahtjevima verzije programa Adobe Reader ne niže od 11 for Windows platforme, Mac OS, Android, iOS, Windows Phone i BlackBerry; ekran 10" Edukativna elektronička publikacija Serija: "Pedagoški odgoj" OSNOVE UMJETNE INTELIGENCIJE Udžbenik Glavni urednik D. Usenkov Umjetnici N. Novak, S. Infante Tehnički urednik E. Denyukova Lektorica L. Makarova Računalni prijelom: S. Yankovaya Potpisano za korištenje Format mm Izdavačka kuća "Laboratorij znanja", Moskva, Aeroporta proezd, 3 Telefon: (499)

17 BOROVSKAYA ELENA VLADIMIROVNA Viši predavač na Katedri za informatiku i metodiku nastave informatike Čeljabinskog državnog pedagoškog sveučilišta. Područje interesa: problemi modularnog bodovnog sustava praćenja i ocjenjivanja obrazovnih postignuća studenata u kontekstu upravljanja kvalitetom na sveučilištu. DAVYDOVA NADEZHDA ALEKSEEVNA Kandidat pedagoških znanosti, smjer “Teorija i metodika nastave i obrazovanja (informatika, razina općeg obrazovanja)”, izvanredni profesor Katedre za informatiku i metodiku nastave informatike Čeljabinskog državnog pedagoškog sveučilišta. Područja interesa: tehnologija oblikovanja sadržaja informatičke nastave u stručnim razredima srednjih škola, inteligentni nastavni sustavi. Udžbenik uvodi čitatelje u povijest umjetne inteligencije, modele reprezentacije znanja, ekspertne sustave i neuronske mreže. Opisuju se glavni pravci i metode koje se koriste u analizi, razvoju i implementaciji inteligentnih sustava. Razmatraju se modeli reprezentacije znanja i metode rada s njima, metode razvoja i kreiranja ekspertnih sustava. Knjiga će pomoći čitatelju da ovlada vještinama logičkog dizajna domenskih baza podataka i programiranja u Prologu. Knjiga je namijenjena studentima i nastavnicima pedagoških sveučilišta, profesorima srednjih škola, gimnazija i liceja.

Učitelj umjetne inteligencije: Bragilevsky V.N. Govornik: Banar O.V. Plan Filozofski aspekti AI Povijest razvoja AI Pristupi izgradnji AI sustava Strukturni pristup. Identifikacijski sustavi

Na 100. obljetnicu rođenja Hermogena Sergejeviča Pospelova, 25. svibnja 2014. obilježena je 100. obljetnica rođenja izuzetnog znanstvenika, akademika Akademije znanosti SSSR-a i Ruske akademije znanosti, laureata Državne nagrade

1. SVRHA I CILJEVI DISCIPLINE Povijest računala nije samo povijest razvoja pojmova, već i jedan od dijelova povijesti ljudske djelatnosti, koja odražava život čovjeka i kao biološke vrste i kao član

VODIČ za pripremu za Jedinstveni državni ispit RAČUNALSTVO RAČUNALSTVO VODIČ za pripremu za Jedinstveni državni ispit 3. izdanje, ispravljeno i prošireno (elektronički) Uredio E. T. Vovk Moskva BINOM. Laboratorij znanja 2015 UDK

Informatika Predavanje 1 Osnovne definicije Izvanredni profesor Katedre za elektroničke sustave (2302) Kuznetsov Igor Rostislavovich Definicija Informatika je znanost koja proučava sve aspekte primanja, pohranjivanja, transformiranja, prijenosa i korištenja

Smjer 09.03.03 Računarstvo 1.2 Predavanje “Interakcija čovjek-stroj. PPO" Predavač Elena Vladimirovna Molnina Viši nastavnik Odsjeka za informacijske sustave, soba 9, glavna zgrada. pošta: [e-mail zaštićen]

UDK 004.89 UMJETNA INTELIGENCIJA U OBRAZOVANJU R.V. Streljcov, čl. gr. TP08 L.V.Slavinskaya, art. učitelj, nastavnik, profesor odjelu VMiP Donetsk National Technical University Proces visokog obrazovanja ulazi u svijet

Regulatorni dokumenti Sažetak programa rada iz informatike, 8. razred. Program rada iz računarstva i ICT-a sastavljen je na temelju autorskog programa Ugrinovich N.D. uzimajući u obzir okvirni program glavnog

MODELI ZA RJEŠAVANJE FUNKCIONALNIH I RAČUNSKIH ZADATAKA PREDAVAČ ZARCHENKOVA A. A. OSNOVNI POJMOVI Problemi: računski zadaci - određivanje određene veličine, funkcionalni zadaci - kreiranje

Sadržaj programa rada I. Obrazloženje s normativnim dokumentima koji osiguravaju provedbu programa 1. Opće karakteristike predmeta Računalstvo je prirodoznanstvena disciplina.

Savezna agencija za obrazovanje države obrazovna ustanova visoko stručno obrazovanje "Novosibirsk State University" (NSU) Fakultet informacijskih tehnologija

PRVA VISOKA TEHNIČKA INSTITUCIJA RUSIJE MINISTARSTVO OBRAZOVANJA I ZNANOSTI RUSKE FEDERACIJE savezna državna proračunska obrazovna ustanova visokog stručnog obrazovanja

Modeliranje ljudskih kognitivnih sposobnosti u umjetnoj inteligenciji Natalya Andreevna Yastreb VSPU, 2010. zagoskina_natali@ mail.ru 1 Pojam inteligencije Pojam "inteligencija" je višeznačan;

Sažetak programa akademske discipline “Metode istraživanja i modeliranja informacijski procesi i tehnologije" Svrha discipline: 1. CILJEVI I ZADACI DISCIPLINE Disciplina "Metode istraživanja i modeliranja

O razvoju instrumentalnih sustava usmjerenih na rješavanje informacijskih i logičkih problema R. G. Bukharaev, A. I. Enikeev, I. I. Makarov Praksa korištenja računala za automatizaciju

Općinska proračunska obrazovna ustanova "Srednja škola 9" Sažetak radnog programa iz informatike i ICT-a u paralelnom 6. razredu, Vilyuchinsk 2016-2017 akademska godina 1 Broj sati

Informatika Informatika utvrđuje zakonitosti transformacije informacija u kontekstu funkcioniranja automatiziranih sustava, razvija metode za njihovu algoritmizaciju i oblikovanje jezičnih komunikacijskih sredstava.

FEDERALNI SVEUČILIŠNI INSTITUT ZA RAČUNALNU MATEMATIKU I INFORMACIJSKE TEHNOLOGIJE KAZAN Odsjek za analizu sustava i informacijske tehnologije A.M. YURIN EXPERT SYSTEMS Obrazovno-metodički

83 UDK 004.822 RAZVOJ SUSTAVA ZA AUTOMATIZIRANO RJEŠAVANJE RAČUNALNIH PROBLEMA U CAD-u, TEMELJENOG NA METODI PROGRAMIRANJA OGRANIČENJA Krilevich S.D., Grigoriev A.V. Donetsk National Technical

À. À. Måríêk, Æ. À. åðíêê, Þ. M. Momalovsk, S. À. BIOGRAFSKI PRIRUČNICI: PRIRUČNIK ZA NASTAVU ZA AKADEMSKI BAKELORAT 2. izdanje, ispravljeno i dopunjeno od strane Republike Moldavije

N. A. Davydova E. V. Borovskaya PROGRAMIRANJE Udžbenik Moskva BINOM. Laboratorij znanja 2009 UDC 004.4 BBK 32.973-018 D13 D13 Davydova N. A. Programiranje: udžbenik / N. A. Davydova,

Sažetak discipline “inteligentni informacijski sustavi” 1. CILJEVI I ZADACI DISCIPLINE 1.1. Ciljevi discipline Cilj nastave discipline je promicanje formiranja sposobnosti učenika da

Općinska proračunska obrazovna ustanova srednja škola 83 PROGRAM RADA iz informatike i ICT-a na razini srednjeg općeg obrazovanja Galina Vladimirovna Kaurova

Ispitni zadaci iz discipline IIS Tema: 1. Umjetna inteligencija 1 pitanje: Umjetna inteligencija je smjer koji omogućuje rješavanje složenih matematički problemi u programskim jezicima;

OBJAŠNJENJE Program rada informatičkog kluba "Mladi informatičar" za razrede 5-7 razvijen je na temelju autorskog programa N.V. Makarova za razrede 5-9, koji je preporučilo Ministarstvo obrazovanja

Umjetne neuronske mreže i mogućnost stvaranja umjetne inteligencije na njihovoj osnovi Suleymanov K.B. FSBEI HE "Dagestan State University" Makhachkala, Rusija. Umjetne neuronske mreže

Sažetak za disciplinu "Osnove programiranja i algoritmizacije" Smjer obuke (specijalnost) 03/09/02 "Informacijski sustavi i tehnologije" Profil Informacijski sustavi i tehnologije u građevinarstvu

Metodologija i logika znanstvenog istraživanja Disciplina „Metodologija i logika znanstvenog istraživanja“ uvrštena je u osnovni dio općeznanstvenog ciklusa magistarskog studija. Svrha proučavanja discipline je upoznavanje

Inteligentni sustavi u strojarstvu Predavanje 2.1. Metode reprezentacije znanja. 1 Predstavljanje znanja u sustavima umjetne inteligencije Glavna značajka inteligentnih sustava je da

Marchuk 14 RECENZIJA vodeće organizacije o disertaciji Dmitrija Aleksandroviča Krilova “Modeli i metode za implementaciju platforme u oblaku za razvoj i korištenje inteligentnih usluga”,

TEHNOLOGIJE UMJETNE INTELIGENCIJE Predavanje 5. Ekspertni sustavi Nastavak AI Technologies 1 SEMIOTIČKI MODELI Klasični problemi upravljanja. Temelje se na tezi koju znamo: svrha

8. FOND ALATA ZA OCJENJIVANJE ZA SREDNJU CERTIFIKACIJU STUDENATA U DISCIPLINI (MODULU) Informatika, Računarstvo i 1. Odjel sigurnost informacija 09.03.02 “Informacija

SAŽETAK programa rada “ Informacijska tehnologija u menadžmentu" u smjeru izobrazbe/specijalnosti 38.03.04 "Državno i općinsko upravljanje" šifra i naziv smjera/specijalnosti

MINISTARSTVO OBRAZOVANJA I ZNANOSTI RUSIJE savezna državna proračunska obrazovna ustanova više obrazovanje"Moskovsko državno tehnološko sveučilište "STANKIN" (FSBEI HE "MSTU "STANKIN") SAŽETAK

1. Ruska pedagoška enciklopedija. U 2 sveska / Ch. izd. V.V. Davidov. M.: Velika ruska enciklopedija, 1993. T. 2. 608 str. 2. Selevko G.K. Suvremene obrazovne tehnologije: Proc. džeparac M.:

G. V. Alekseev, S. A. Bredikhin, I. I. Kholyavin SUSTAVSKI PRISTUP U PREHRAMBENOM INŽENJERSTVU Opće definicije i neke primjene Preporučeno od strane Savezne obrazovne i metodološke zajednice u sustavu visokog obrazovanja

Softver(Softver) Softver Sustav i aplikativni softver Sistemski softver služi za razvoj implementacije programskih proizvoda, kao i za pružanje korisniku određenih usluga. Sistemski

Sažetak programa rada iz informatike i ICT-a za 2016.-2017. razred 7. (osnovno opće obrazovanje) Studij računarstva i ICT-a u VII. razredu usmjeren je na postizanje sljedećih ciljeva: - formiranje općeobrazovnih

UDK 004.514.6 OCJENA KVALITETE KORISNIČKOG SUČELJA PROGRAMA OBUKE Goretsky A.A. Nacionalno tehničko sveučilište Donjeck Odjel za primijenjenu matematiku i informatiku E-pošta: [e-mail zaštićen]

SAŽETAK PROGRAMA RADA DISCIPLINE Inteligentni sustavi i tehnologije na smjeru/specijalnosti 03/09/02 - "Informacijski sustavi i tehnologije" 1. Ciljevi i zadaci svladavanja discipline Svrha svladavanja

PRILAGODLJIVI I INTELIGENTNI SUSTAVI T. Kohonen Samoorganizirajuće karte Prijevod 3. engleskog izdanja V. N. Ageeva, uredio Yu. V. Tyumentsev Moskva BINOM. Laboratorij znanja 2008 UDK 517.11+519.92

MINISTARSTVO OBRAZOVANJA I ZNANOSTI RF Državna obrazovna ustanova visokog stručnog obrazovanja "Murmansk State Humanitarian University" (MSGU) RADNI PROGRAM DISCIPLINE

MINISTARSTVO OBRAZOVANJA I ZNANOSTI RUSKE FEDERACIJE Savezna državna proračunska obrazovna ustanova visokog stručnog obrazovanja "UFA STATE AVIATION TECHNICAL

Sustavi za upravljanje bazama podataka (DBMS) 1. Opće informacije o DBMS-u 2. ​​Modeli podataka 3. Microsoft Access DBMS 1. Opće informacije o sustavima za upravljanje bazama podataka Dva glavna područja korištenja računala:

SASTAVLJAČI: Ryaby V.V., viši predavač na Katedri za matematičku podršku elektroničkih računala, Bjelorusko državno sveučilište; Pobegailo A.P., izvanredni profesor Odsjeka za tehnologiju

MINISTARSTVO OBRAZOVANJA I ZNANOSTI RUSKE FEDERACIJE Savezna državna autonomna obrazovna ustanova visokog stručnog obrazovanja NACIONALNO ISTRAŽIVAČKO NUKLEARNO SVEUČILIŠTE

MINISTARSTVO OBRAZOVANJA I ZNANOSTI RUSKE FEDERACIJE SAVEZNA DRŽAVNA PRORAČUNSKA OBRAZOVNA USTANOVA VISOKOG STRUČNOG OBRAZOVANJA "DRŽAVNO SVEUČILIŠTE - OBRAZOVNO-ISTRAŽIVAČKO-PROIZVODNO

DRŽAVNA PRORAČUNSKA OBRAZOVNA USTANOVA SREDNJE OBRAZOVNE ŠKOLE GRADA MOSKVE 382 Razmotreno na sastanku načelnika Moskovske regije N.V. Protokol Pavlenko iz 2014 DOGOVOREN Zamjenik

UDK 372.851.046.14 BBK 74.262.21 G15 RECENZENTI: dr. sc. ped. znanosti, izvanredni profesor odjelu matematike i metodike nastave matematike Državne obrazovne ustanove Mozyr. ped. Sveučilište nazvano po I. P. Šamjakin” L. A. Ivanenko; učitelj, nastavnik, profesor

JURIJ MIHAJLOVIČ ZABRODIN IMA 70 GODINA U listopadu 2010. Jurij Mihajlovič Zabrodin, veliki znanstvenik i organizator ruske psihološke znanosti, navršio je 70 godina. U povijesti sovjetske i ruske psihologije

TAMBOVSKA REGIONALNA OBRAZOVNA AUTONOMNA INSTITUCIJA DODATNOG STRUČNOG OBRAZOVANJA “INSTITUT ZA VIŠE KVALIFIKACIJE OBRAZOVNIH RADNIKA” Nastava predmeta

Priručnik za upravitelje, njihove zamjenike, nastavnike ustanova općeg srednjeg obrazovanja Mozyr “White Wind” 2 0 1 4 UDC 371 BBK 74.200.58 B59 Serija osnovana 2007. Sastavio:

Nastavni plan i program je sastavljen na temelju nastavnog plana i programa visokog učilišta u specijalnosti 1-40 05 01 „Informacijski sustavi i tehnologije (u područjima)” i nastavnog plana i programa „Osnove informatike”.

Naslovna stranica odjeljka sadržaja odjeljak 1. Objašnjenje 3-4 2. Sadržaj nastavnog predmeta 4-5 3. Zahtjevi za razinu pripremljenosti studenata 5-7 4. Literatura 7 5. Kalendarsko i tematsko planiranje

Glavni obrazovni program visokog obrazovanja odobrilo je Stručno vijeće Sveučilišta (Zapisnik Stručnog vijeća Sveučilišta 3 od 16. ožujka 2016.) 2 SADRŽAJ 1. Opća obilježja glavnog stručnog studija

Å. Ï. OPĆA UPRAVA VLADE ZA ISTRAŽIVANJE 1 ODGOVORNOST ANALIZE 3. izdanje, SSSR i drugim riječima

Predavanje 21 Sustavi grupnog odlučivanja Proces odlučivanja je iste prirode kao i proces donošenja upravljačke odluke. U njemu se mogu razlikovati sljedeće faze (Sl. 4.1). I. Analiza dizajna

Pišu nam ROSSIKHINA Larisa Vitalievna - kandidat tehničkih znanosti, kapetan unutarnja služba, viši predavač ciklusa radiotehničkih sustava na Visokoj školi Federalne zatvorske službe u Voronježu

1 Udžbenik: Informatika. 11. razred. Napredna razina. U 2 sata Autori: K.Yu. Polyakov, E.A. Eremin M.: BINOM, Laboratorij znanja, 2013. Planirani rezultati studija informatike Program iz predmeta "Informatika"

Uloga logičkog programiranja u proučavanju računalnih znanosti. Državno sveučilište N. Pelin Tiraspol (UST) Sažetak Rad analizira mišljenja niza znanstvenika i stručnjaka o značenju i ulozi logičkog

Općinsko tijelo - gradski okrug grada Ryazana, Ryazan region PROGRAM RADA iz informatike i ICT-a Razina obrazovanja - razredi 10-11 humanističkih znanosti Broj sati: 2 sata tjedno,

PRIMJENJENA PRIMJENA UMJETNE INTELIGENCIJE U RAZVOJU RAČUNALNIH IGARA Kaziev A.B., Prokopyuk S.Yu. Tomsk Polytechnic University Tomsk, Rusija PRIMJENA UMJETNE INTELIGENCIJE

Kontrolirati, Računalno inženjerstvo i računarstva UDK 004.032.26:612.825 HOMOGENA VIŠESLOJNA NEURALNA MREŽA IZRAVNE DISTRIBUCIJE S LOKALNIM POVEZIVANJEM S UVJETNIM REFLEKSNIM MEHANIZMOM UČENJA NA

SIMULACIJA INTEGRALNIH ROBOTA U MATLAB S.T. Sadykov ENU nazvan po. L.N. Gumiljov, Astana, ul. Munaitpasova, 5, 001008. E-mail: [email protected] Uvod. Robot (češki robot) automatski uređaj

Država Armavir

Pedagoško sveučilište

OSNOVE UMJETNE INTELIGENCIJE

za studente koji studiraju na specijalnosti "Informatika"

Armavir 2004

Objavljeno odlukom UMS ASPU

Recenzent: , kandidat fizičkih i matematičkih znanosti, izvanredni profesor, voditelj Internet centra Kabardino-Balkarian State Agricultural Academy

Kozyrev umjetna inteligencija. Obrazovno-metodički priručnik za studente koji studiraju na specijalnosti "računalstvo". – Armavir, 2004

Razmatraju se Osnovni koncepti umjetna inteligencija, pravci i perspektive razvoja istraživanja u području umjetne inteligencije, osnove logičkog programskog jezika PROLOG.

Obrazovno-metodički priručnik namijenjen je studentima koji studiraju u specijalnosti "računalstvo", a mogu ga koristiti i svi zainteresirani za pitanja umjetne inteligencije i logičkog programiranja.

Uvod…………………………………………………………..………………………... 4

1. Umjetna inteligencija: predmet, povijest
razvoj, pravci istraživanja………………………….. 5

1.1. Pravci istraživanja na terenu
umjetna inteligencija………………………………………………………………….. 5

umjetna inteligencija………………………………..………………..... 6

2. Sustav znanja………………………………………………………….. 8

3. Modeli reprezentacije znanja…………………………………. 9

3.1. Semantičke mreže………………………………………………………..9

3.2. Model okvira…………………………………………….…………10

3.3. Model proizvoda………………………………………………..11

3.4. Logički model………………………………………………………. .12

4. Ekspertni sustavi……………………………………………...12

4.1. Namjena ekspertnih sustava…………………………………….12

4.2. Vrste problema koji se rješavaju pomoću ekspertnih sustava…………….14

4.3. Struktura ekspertnih sustava……………………………………...15

4.4. Glavne faze razvoja ekspertnih sustava……………………16

4.5. Alati za razvoj ekspertnih sustava………18

5. PROLOG - logički programski jezik……….19

5.1. Opće informacije o PROLOGE-u………………………………………………………19

5.2. Prijedlozi: činjenice i pravila……………………………………20

5.4. Varijable u PROLOG-u……………………………………………...22

5.5. Objekti i tipovi podataka u PROLOG-u………………………………...23

5.6. Glavni dijelovi programa PROLOG…………………………….23

5.7. Vraćanje unazad…………………………………………………………...24

5.8. Kontrola povratnog praćenja: predikati neuspjeha i skraćivanje......26

5.9. Aritmetički izračuni………………………………………………………27

5.10. Rekurzija………………………………………………………………………………….28

5.11. Popisi…………………………………………………………………………………30

5.12. Standardni zadaci obrade popisa………………………….….31

Književnost………………………………………………............................... .35

Uvod

Posljednjih desetljeća umjetna inteligencija prodire u sva područja djelovanja i postaje sredstvo integracije znanosti. Softverski alati temeljeni na tehnologiji i metodama umjetne inteligencije postali su rašireni diljem svijeta. Intenzivna istraživanja o stvaranju jedinstvenog informacijskog prostora koji stvara uvjete za zajednički rad na daljinu temeljen na bazama znanja sada su počela provoditi sve ekonomski razvijene zemlje. Predmet "Osnove umjetne inteligencije" u visokom obrazovanju uključuje proučavanje dijelova kao što su reprezentacija znanja u formalnom jeziku, struktura ekspertnih sustava i osnovna načela njihovog razvoja, različite strategije za pronalaženje cilja. Jedna od glavnih tema kolegija je rasprava o implementaciji sustava umjetne inteligencije za rješavanje specifičnih primijenjenih problema.

Razvojno okruženje smatra se računalnom podrškom za tečaj. Vizualni programi Prolog. Programski jezik Prolog, temeljen na idejama i metodama matematičke logike, izvorno je stvoren za razvoj aplikacija umjetne inteligencije. Aplikacije kao što su baze znanja, ekspertni sustavi, sučelja prirodnog jezika i inteligentni sustavi upravljanja informacijama učinkovito su programirani u okruženju Visual Prolog. Visoka razina apstrakcije, sposobnost predstavljanja složenih struktura podataka i modeliranje logičkih odnosa između objekata omogućuju rješavanje problema u različitim predmetnim područjima.

Obrazovno-metodički priručnik “Osnove umjetne inteligencije” pomoći će proširiti ideje budućeg učitelja informatike o područjima primjene teorije umjetne inteligencije, o postojećim i obećavajući jezici programske i hardverske strukture za stvaranje sustava umjetne inteligencije.

1. Umjetna inteligencija: predmet, povijest razvoja, područja istraživanja.

jantellectus(lat) - um, razum, inteligencija, misaone sposobnosti osobe. Umjetna inteligencija(AI) je područje računalne znanosti čiji je predmet razvoj hardvera i softvera koji korisniku omogućuje rješavanje problema koji se tradicionalno smatraju intelektualnim. Teorija umjetne inteligencije je znanost o znanju, kako ga dobiti, predstaviti u umjetnim sustavima, obraditi unutar sustava i koristiti za rješavanje praktičnih problema. Tehnologije koje koriste AI danas se koriste u mnogim područjima primjene.

Početak istraživanja u području umjetne inteligencije (kasne 50-e godine 20. stoljeća) vezan je uz rad Newella, Saymana i Shawa koji su proučavali procese rješavanja različitih problema. Rezultati njihova rada bili su programi poput "LOGICAL THEORIST", osmišljen za dokazivanje teorema u propozicijskom računu, i "GENERAL PROBLEM SOLVER". Ovi su radovi označili početak prve faze istraživanja u području umjetne inteligencije, povezane s razvojem programa koji rješavaju probleme temeljene na korištenju različitih heurističkih metoda.

Heuristička metoda rješavanja problema smatrala se karakterističnom za ljudsko mišljenje "općenito", koje karakterizira pojava nagađanja o načinu rješavanja problema i njihova naknadna provjera. Bio je u suprotnosti s algoritamskom metodom koja se koristi u računalima, koja se tumačila kao mehanička implementacija zadanog niza koraka, koji deterministički vode do točnog odgovora. Tumačenje heurističkih metoda za rješavanje problema kao čisto ljudske aktivnosti dovelo je do pojave i daljnjeg širenja pojma AI

A. Neurokibernetika.

Neurokiberetika je usmjerena na hardversko modeliranje struktura sličnih strukturi mozga. Fiziolozi su odavno utvrdili da je temelj ljudskog mozga veliki broj međusobno povezanih živčanih stanica – neurona. Stoga su napori neurokibernetike usmjereni na stvaranje elemenata sličnih neuronima i njihovo kombiniranje u funkcionalne sustave. Ti se sustavi obično nazivaju neuronske mreže ili neuronske mreže. Nedavno se neurokibernetika ponovno počela razvijati zbog skokovitog razvoja računala. Pojavila su se neuroračunala i transračunari.

Trenutno se koriste tri pristupa stvaranju neuronskih mreža:

hardver- stvaranje posebnih računala, kartica za proširenje, čipseta koji implementiraju sve potrebne algoritme,

program- izrada programa i alata dizajniranih za računala visokih performansi. Mreže se stvaraju u memoriji računala, sav posao obavljaju vlastiti procesori;

hibrid- kombinacija prva dva. Dio proračuna obavljaju posebne kartice za proširenje (koprocesori), a dio programski.

B. Kibernetika crne kutije.

Osnova kibernetike “crne kutije” je princip suprotan neurokibernetici. Nije važno kako je uređaj koji "misli" dizajniran. Glavno je da reagira na dane ulazne utjecaje na isti način kao i ljudski mozak.

Ovo područje umjetne inteligencije bilo je usmjereno na traženje algoritama za rješavanje intelektualnih problema na postojećim modelima računala.

Istraživanje na području umjetne inteligencije prošlo je dug i trnovit put: prvi hobiji (1960), pseudoznanost (1960-65), uspjesi u rješavanju zagonetki i igrica (), razočaranja u rješavanju praktičnih problema (), prvi uspjesi u rješavanju niz praktičnih problema ( ), masovna komercijalna uporaba u rješavanju praktičnih problema (). No temelj komercijalnog uspjeha s pravom leži u ekspertnim sustavima i to prije svega u real-time ekspertnim sustavima. Upravo su oni omogućili umjetnoj inteligenciji da prijeđe s igrica i zagonetki na masovnu upotrebu u rješavanju praktički značajnih problema.

1.2. Glavni zadaci rješavani u području
umjetna inteligencija

Reprezentacija znanja i razvoj sustava temeljenih na znanju

Razvoj modela reprezentacije znanja, stvaranje baza znanja koje čine jezgru ekspertnih sustava (ES). Nedavno uključuje modele i metode za izdvajanje i strukturiranje znanja te se spaja s inženjerstvom znanja. U području umjetne inteligencije najveći komercijalni uspjeh postigli su ekspertni sustavi i alati za njihov razvoj.

Igre i kreativnost.

Igra intelektualni zadaci - šah, dame, Go. Temelji se na jednom od ranijih pristupa - model labirinta plus heuristika.

Razvoj sučelja prirodnog jezika i strojno prevođenje

Glasovno upravljanje, prijevod s jezika na jezik. Prvi program na ovom području je prevoditelj s engleskog na ruski. Prva ideja, prevođenje riječ po riječ, pokazala se neuspješnom. Trenutno se koristi složeniji model, uključujući analizu i sintezu poruka prirodnog jezika, koji se sastoji od nekoliko blokova. Za analizu je:

Jezik koji koristi proizvodni model je PROLOG.

3.4. Logički model

Njihov opis temelji se na formalnom sustavu s četiri elementa:

M=<Т, Р, А, В >, Gdje

T – skup osnovnih elemenata različite prirode s odgovarajućim postupcima;

P – skup sintaktičkih pravila. Uz njihovu pomoć formiraju se sintaktički ispravne zbirke od T elemenata. P(P) postupak utvrđuje je li ova zbirka točna;

A je podskup skupa P, koji se naziva aksiomima. Procedura P(A) daje odgovor na pitanje pripadnosti skupu A;

B – skup pravila zaključivanja. Njihovom primjenom na elemente A mogu se dobiti nove sintaktički ispravne zbirke na koje se ova pravila mogu ponovno primijeniti. Procedura P(B) utvrđuje za svaku sintaktički ispravnu zbirku je li se može zaključiti.

4. Ekspertni sustavi

4.1. Namjena ekspertnih sustava

Ekspertni sustavi(ES) složeni su softverski sustavi koji akumuliraju znanje stručnjaka u specifičnim tematskim područjima i repliciraju ovo empirijsko iskustvo kako bi pružili savjet manje kvalificiranim korisnicima.

Cilj istraživanja ekspertnih sustava je razviti programe koji pri rješavanju problema iz određenog predmetnog područja postižu rezultate koji po kvaliteti i učinkovitosti nisu niži od rezultata koje dobivaju eksperti.

Ekspertni sustavi dizajnirani su za rješavanje neformalnih, praktično značajnih problema. Ekspertne sustave treba koristiti samo kada je njihov razvoj moguć i izvediv.

Činjenice koje ukazuju na potrebu razvoja i implementacije ekspertnih sustava:

Nedostatak stručnjaka koji provode dosta vremena pomažući drugima;

Potreba za velikim timom stručnjaka, jer nitko od njih nema dovoljno znanja;

Niska produktivnost, budući da zadatak zahtijeva potpunu analizu složenog skupa uvjeta, a obični stručnjak nije u mogućnosti pregledati (u dodijeljenom vremenu) sve te uvjete;

Prisutnost natjecatelja koji imaju prednost u tome što su bolji u zadatku.

Po funkcionalni Ekspertni sustavi mogu se podijeliti u sljedeće vrste:

1. Snažni ekspertni sustavi namijenjeni uskom krugu korisnika (sustavi upravljanja složenom tehnološkom opremom, ekspertni sustavi protuzračne obrane). Takvi sustavi obično rade u stvarnom vremenu i vrlo su skupi.

2. Ekspertni sustavi namijenjeni širokom krugu korisnika. To uključuje medicinske dijagnostičke sustave i složene sustave obuke. Baza znanja ovih sustava nije jeftina jer sadrži jedinstveno znanje dobiveno od stručnih stručnjaka. Prikupljanje znanja i formiranje baze znanja provodi stručnjak za prikupljanje znanja – kognitivni inženjer.

3. Ekspertni sustavi s malim brojem pravila i relativno jeftini. Ovi sustavi su dizajnirani za masovne potrošače (sustavi koji olakšavaju rješavanje problema u opremi). Korištenje takvih sustava eliminira potrebu za visokokvalificiranim osobljem i skraćuje vrijeme rješavanja problema. Baza znanja takvog sustava može se dopunjavati i mijenjati bez pomoći programera sustava. Obično koriste znanja iz raznih priručnika i tehničke dokumentacije.

4. Jednostavni ekspertni sustavi individualna uporaba. Često se izrađuje samostalno. Koristi se u situacijama za olakšavanje svakodnevni rad. Korisnik, organiziranjem pravila u određenu bazu znanja, na temelju nje kreira vlastiti ekspertni sustav. Takvi se sustavi koriste u pravu, komercijalnim djelatnostima i popravcima jednostavne opreme.

Korištenje ekspertnih sustava i neuronskih mreža donosi značajne ekonomske koristi. Na primjer: - American Express je smanjio svoje gubitke za 27 milijuna dolara godišnje zahvaljujući ekspertnom sustavu koji utvrđuje izvedivost izdavanja ili odbijanja kredita određenoj tvrtki; - DEC štedi 70 milijuna dolara godišnje uz XCON/XSEL koji konfigurira korisnik računalni sustav VAX. Njegovom uporabom smanjen je broj pogrešaka s 30% na 1%; - Sira je smanjila troškove izgradnje cjevovoda u Australiji za 40 milijuna dolara korištenjem stručnog sustava upravljanja cjevovodima.

4.2. Vrste problema koji se rješavaju pomoću
ekspertni sustavi

Tumačenje podataka. Interpretacija znači određivanje značenja podataka, čiji rezultati moraju biti dosljedni i točni. Primjeri ES:

Detekcija i identifikacija raznih vrsta prekooceanskih plovila - SIAP;

Utvrđivanje temeljnih osobina ličnosti na temelju rezultata psihodijagnostičkog testiranja u sustavima AVTANTEST i MICROLUSHER i dr.

Dijagnostika. Dijagnostika se odnosi na otkrivanje kvara u određenom sustavu. Primjeri ES:

Dijagnostika i terapija suženja koronarnih žila - ANGY;

Dijagnostika grešaka u opremi i softver Računalo - CRIB sustav i dr.

Praćenje. Glavna zadaća nadzora je kontinuirana interpretacija podataka u realnom vremenu i signalizacija kada određeni parametri prijeđu prihvatljive granice. Glavni problemi su "propuštanje" alarmne situacije i obrnuti problem "lažne" aktivacije. Primjeri ES:

Praćenje rada elektrana SPRINT, pomoć dispečerima nuklearnih reaktora - REAKTOR:

Praćenje senzora za hitne slučajeve u kemijskoj tvornici - FALCON itd.

Oblikovati. Dizajn se sastoji od pripreme specifikacija za stvaranje "objekata" s unaprijed određenim svojstvima. Specifikacija označava cijeli skup potrebnih dokumenata: crtež, objašnjenje itd. Primjeri ES:

Projektiranje računalnih konfiguracija VAX - 1/780 u sustavu XCON (ili R1),

LSI dizajn - CADHELP;

Sinteza električnih kola - SYN itd.

Predviđanje. Prediktivni sustavi logično izvode vjerojatne posljedice iz danih situacija. Primjeri ES:

Prognoza vremena - sustav WILLARD:

Procjene buduće žetve - PI. MRAV;

Prognoze u gospodarstvu - ECON i dr.

Planiranje. Planiranje se odnosi na pronalaženje akcijskih planova koji se odnose na objekte koji mogu obavljati određene funkcije. Takvi ES koriste modele ponašanja stvarnih objekata kako bi logično zaključili posljedice planirane aktivnosti. Primjeri ES:

Planiranje ponašanja robota - STRIPS,

Planiranje industrijskih naloga - 1SIS,

Dizajn eksperimenta - MOLGEN et al.

Obrazovanje. Obrazovni sustavi dijagnosticiraju pogreške prilikom proučavanja bilo koje discipline pomoću računala i brzo ispravne odluke. Akumuliraju znanja o hipotetskom “učeniku” i njegovim karakterističnim pogreškama, zatim u svom radu sposobni su dijagnosticirati slabosti u znanju učenika i pronaći odgovarajuće načine za njihovo otklanjanje. Primjeri ES:

Osposobljavanje programskog jezika Lisp u sustavu "Teacher Lisp";

PROUST sustav - jezična obuka Pascal et al.

Rješenja ekspertnog sustava su transparentna, odnosno mogu se objasniti korisniku na kvalitativnoj razini.

Ekspertni sustavi mogu proširiti svoje znanje tijekom interakcije s ekspertom.

4.3. Struktura ekspertnih sustava

Struktura ekspertnih sustava uključuje sljedeće komponente:

Baza znanja– jezgra ES-a, skup znanja o predmetnom području, zabilježen na računalnim medijima u obliku razumljivom stručnjaku i korisniku (obično na nekom jeziku bliskom prirodnom). Paralelno s ovom "ljudskom" reprezentacijom, postoji baza znanja u internoj "strojnoj" reprezentaciji. Sastoji se od niza činjenica i pravila.

Činjenice – opisuju predmete i odnose među njima. Pravila – koriste se u bazi znanja za opisivanje odnosa između objekata. Na temelju odnosa navedenih u pravilima izvodi se logičko zaključivanje.

Baza podataka– namijenjen privremenom čuvanju činjenica i hipoteza, sadrži međupodatke ili rezultat komunikacije između sustava i korisnika.

Strojno zaključivanje– mehanizam rasuđivanja koji radi sa znanjem i podacima radi dobivanja novih podataka; za to se obično koristi softverski implementiran mehanizam traženja rješenja.

Komunikacijski podsustav– služi za vođenje dijaloga s korisnikom, tijekom kojeg ekspertni sustav traži od korisnika potrebne činjenice za proces zaključivanja, a također omogućuje korisniku da donekle kontrolira tijek zaključivanja.

Podsustav objašnjenja– potrebno je kako bi se korisniku dala mogućnost kontrole tijeka zaključivanja.

Podsustav za stjecanje znanja– program koji inženjeru znanja pruža mogućnost stvaranja baze znanja u interaktivnom načinu rada. Uključuje sustav ugniježđenih izbornika, jezične predloške za reprezentaciju znanja, savjete (način "pomoći") i druge servisne alate koji olakšavaju rad s bazom podataka.

Ekspertni sustav radi u dva načina:

Stjecanje znanja (definiranje, preinaka, dopuna);

Rješenja problema.

U ovom načinu rada podaci o zadatku se obrađuju i nakon odgovarajućeg kodiranja prenose u blokove ekspertnog sustava. Rezultati obrade primljenih podataka ulaze u modul savjeta i objašnjenja te se nakon prešifriranja u jezik blizak prirodnom izdaju u obliku savjeta, objašnjenja i komentara. Ukoliko korisniku odgovor nije jasan, može zatražiti objašnjenje od ekspertnog sustava za njegovo dobivanje.

4.4. Glavne faze razvoja ekspertnih sustava

Tehnološki proces razvoja industrijskog ekspertnog sustava može se podijeliti u šest glavnih faza:

1. Odabir pravog problema

Aktivnosti koje prethode odluci o početku razvoja određenog ES-a uključuju:

Definicija problematike i zadatka;

Pronalaženje stručnjaka spremnog na suradnju na rješavanju problema i imenovanje razvojnog tima;

Određivanje preliminarnog pristupa rješavanju problema;

Analiza troškova i dobiti od razvoja;

Izrada detaljnog plana uređenja.

2. Razvoj prototipa sustava

Prototip sustava je skraćena verzija ekspertnog sustava dizajniranog za provjeru ispravnog kodiranja činjenica, odnosa i strategija zaključivanja stručnjaka.

Prototip mora zadovoljiti dva zahtjeva:

Prototip sustava trebao bi rješavati najtipičnije probleme, ali ne bi trebao biti velik.

Vrijeme i rad uključeni u izradu prototipa trebali bi biti zanemarivi.

Učinkovitost prototipnih programa ocjenjuje se i testira kako bi se osiguralo da su usklađeni sa stvarnim potrebama korisnika. Prototip je testiran na:

Pogodnost i primjerenost ulazno-izlaznih sučelja (priroda pitanja u dijalogu, koherentnost izlaznog teksta rezultata itd.)

Učinkovitost kontrolne strategije (redoslijed nabrajanja, korištenje neizrazitog zaključivanja, itd.);

Kvaliteta testnih slučajeva;

Ispravnost baze znanja (potpunost i dosljednost pravila).

Stručnjak obično radi s inženjerom znanja, koji pomaže strukturirati znanje, definirati i formulirati koncepte i potrebna pravila

riješiti problem. Ako uspije, stručnjak, uz pomoć kognitivnog inženjera, proširuje bazu znanja prototipa o domeni problema.

Ako ne uspije, može se izvući zaključak. Koje su druge metode potrebne za rješavanje ovog problema ili razvoj novog prototipa.

3. Razvoj prototipa industrijskog ekspertnog sustava.

U ovoj se fazi značajno proširuje baza znanja i dodaje se veliki broj dodatnih heuristika. Ove heuristike obično povećavaju dubinu sustava davanjem više pravila za suptilne aspekte pojedinačnih slučajeva. Nakon uspostavljanja osnovne strukture ES-a, inženjer znanja počinje razvijati i prilagođavati sučelja preko kojih će sustav komunicirati s korisnikom i stručnjakom.

U pravilu se ostvaruje glatki prijelaz s prototipova na industrijske ekspertne sustave. Ponekad se pri razvoju industrijskog sustava identificiraju dodatne faze prijelaza: demonstracijski prototip - istraživački prototip - operativni prototip - industrijski sustav.

4. Evaluacija sustava

Ekspertni sustavi se procjenjuju kako bi se provjerila točnost programa i njegova korisnost. Procjena se može provesti na temelju različitih kriterija koje grupiramo na sljedeći način:

Korisnički kriteriji (jasnoća i transparentnost sustava, jednostavnost sučelja itd.);

Kriteriji pozvanih stručnjaka (evaluacija savjeta-rješenja koje sustav nudi, usporedba s vlastitim rješenjima, ocjena podsustava objašnjenja i sl.);

Kriteriji razvojnog tima (učinkovitost implementacije, produktivnost, vrijeme odziva, dizajn, širina pokrivenosti predmetnog područja, konzistentnost znanja, broj slijepih ulica kada sustav ne može donijeti odluku, analiza osjetljivosti programa na manje promjene u reprezentaciji znanja, ponderiranje koeficijenti koji se koriste u logičkom izlazu, podacima itd.).

5. Spajanje sustava

U ovoj fazi, ekspertni sustav je povezan s drugim softver u okruženju u kojem će djelovati, te osposobljavanje ljudi kojima će služiti.Sučeljavanje se također odnosi na razvoj veza između ekspertnog sustava i okruženja u kojem djeluje.

Docking uključuje osiguravanje komunikacije između ES i postojeće baze podataka i drugih sustava u poduzeću, kao i poboljšanje vremenski osjetljivih čimbenika sustava kako bi mogao učinkovitije raditi i poboljšati svoje performanse tehnička sredstva, ako sustav radi u neuobičajenom okruženju (primjerice, komunikacija s mjernim uređajima).

6. Podrška sustava

Prekodiranje sustava u jezik poput C poboljšava performanse i prenosivost, ali smanjuje fleksibilnost. Ovo je jedino prihvatljivo ako sustav zadrži svo znanje o domeni problema i to se znanje neće promijeniti u bliskoj budućnosti. Međutim, ako je ekspertni sustav stvoren upravo zato problematično područje promjene, potrebno je održavati sustav u razvojnom okruženju.

Jezici umjetne inteligencije

Lisp (LISP) i Prolog (Prolog) najčešći su jezici dizajnirani za rješavanje problema umjetne inteligencije. Postoje i manje uobičajeni jezici umjetne inteligencije, na primjer REFAL, razvijen u Rusiji. Raznovrsnost ovih jezika je manja od one tradicionalnih jezika, ali jezici umjetne inteligencije nadoknađuju njen gubitak bogatim mogućnostima za rad sa simboličkim i logičkim podacima, što je iznimno važno za zadatke umjetne inteligencije. Na temelju jezika umjetne inteligencije stvoreni su specijalizirana računala(na primjer, Lisp strojevi) dizajnirani za rješavanje problema umjetne inteligencije. Nedostatak ovih jezika je njihova neprimjenjivost za kreiranje hibridnih ekspertnih sustava.

Posebni programski alati

Biblioteke i dodaci za jezik umjetne inteligencije Lisp: KEE (Knowledge Engineering Environment), FRL (Frame Representation Language), KRL (Knowledge Representation Language), ARTS itd., omogućujući korisnicima rad s prazninama ekspertnog sustava na višoj razini nego što je to moguće u konvencionalnim jezicima umjetne inteligencije.

"školjke"

„Ljuske“ su prazne verzije postojećih ekspertnih sustava, tj. gotovi ekspertni sustavi bez baze znanja. Primjer takve ljuske je EMYCIN (Empty MYCIN - prazan MYC1N), koji je prazan MYCIN ekspertni sustav. Prednost ljuske je da uopće ne zahtijevaju rad programera za stvaranje gotovog ekspertnog sustava. Za popunjavanje baze znanja potrebni su samo stručnjaci za domenu. Međutim, ako se određeno predmetno područje ne uklapa dobro u model koji se koristi u određena ljuska, popunjavanje baze znanja u ovom slučaju nije baš jednostavno.

5. PROLOG - logički jezik
programiranje

5.1. Opće informacije o PROLOG-u.

PROLOG (Programming in LOGIC) je logički programski jezik namijenjen rješavanju problema iz područja umjetne inteligencije (izrada elektroničkih sustava, prevoditeljski programi, obrada prirodnog jezika). Koristi se za obradu prirodnog jezika i ima snažne alate koji vam omogućuju izvlačenje informacija iz baza podataka, a metode pretraživanja koje se u njemu koriste bitno su različite od tradicionalnih.

Osnovne konstrukcije PROLOG-a su posuđene iz logike. PROLOG nije proceduralni, već deklarativni programski jezik. Nije usmjeren na razvoj rješenja, već na sustavan i formaliziran opis problema tako da rješenje slijedi iz sastavljenog opisa.

Bit logičkog pristupa je da se stroju ne nudi algoritam kao program, već formalni opis predmetnog područja i problema koji se rješava u obliku aksiomatskog sustava. Tada se potraga za rješenjem pomoću izlaza u ovom sustavu može povjeriti samom računalu. Glavna zadaća programera je uspješno prikazati predmetno područje sustavom logičkih formula i takvom raznolikošću odnosa na njemu da najpotpunije opisuju zadatak.

Osnovna svojstva PROLOGA:

1) mehanizam zaključivanja s pretraživanjem i povratkom

2) ugrađeni mehanizam za usklađivanje uzoraka

3) jednostavna i lako promjenjiva struktura podataka

4) nepostojanje pokazivača, operatora dodjele i prijelaza

5) prirodnost rekurzije

Faze programiranja u PROLOG-u:

1) izjava o činjenicama o predmetima i odnosima među njima;

2) određivanje pravila za odnos objekata i odnosa među njima;

3) formulacija pitanja o objektima i odnosima među njima.

Teorijska osnova PROLOG-a je grana simboličke logike koja se naziva račun predikata.

Predikat je naziv svojstva ili odnosa između objekata s nizom argumenata.

<имя_предиката>(t1, t2, ..., tn)), t1,t2,...,tn – argumenti

Na primjer, činjenica black(cat) je napisana korištenjem predikata black, koji ima jedan argument. Činjenica napisao (Šolohov, "TIHI FON") napisano pomoću predikata napisao, koji ima dva argumenta.

Broj argumenata predikata naziva se aritet predikata i označava se s crno/1 (predikat crni ima jedan argument, arnost mu je jednaka jedinici). Predikati ne smiju imati argumente; arnost takvih predikata je 0.

Jezik Prolog izrastao je iz rada A. Colmerauera o obradi prirodnog jezika i neovisnog rada Roberta Kowalskog o primjeni logike na programiranje (1973.).

Najpoznatiji programski sustav u Rusiji je Turbo Prolog - komercijalna implementacija jezika za IBM-kompatibilna računala. Godine 1988. objavljena je mnogo snažnija verzija Turbo Prologa 2.0, uključujući poboljšano integrirano okruženje za razvoj programa, brzi kompajler i alate za programiranje niske razine. Borland je ovu verziju distribuirao do 1990. godine, a tada je PDC stekao monopol na korištenje izvornog koda prevoditelja i daljnju promociju programskog sustava na tržište pod imenom PDC Prolog.

Godine 1996. Prolog Development Center je na tržište pustio Visual Prolog 4.0. Visual Prolog koristi pristup nazvan "vizualno programiranje" u kojem se izgled i ponašanje programa određuju pomoću posebnih alata za grafički dizajn bez tradicionalnog programiranja u algoritamskom jeziku.

Visual Prolog uključuje interaktivno okruženje vizualni razvoj (VDE - Visual Develop Environment), koji uključuje tekstualne i razne grafičke editore, alate za generiranje koda koji konstruiraju kontrolnu logiku (Experts), kao i vizualno programsko sučelje (VPI - Visual Programming Interface), Prolog prevodilac, koji je proširenje jezika skup raznih plug-in datoteka i biblioteka, uređivač veza, datoteke koje sadrže primjere i pomoć.

5.2. Prijedlozi: činjenice i pravila

PROLOG program se sastoji od iskaza, koji mogu biti činjenice, pravila ili upiti.

Činjenica je izjava da se promatra određeni specifični odnos između objekata. Činjenica se koristi za prikaz jednostavnog odnosa između podataka.

Struktura činjenica:

<имя_отношения>(t1,t2,...,tn)), t1,t2,...,tn – objekti

Primjeri činjenica:

studija (Ira, sveučilište). % Ira studira na sveučilištu

roditelj (Ivan, Aleksej). % Ivan je Aleksejev roditelj

programski_jezik (prolog). % Prolog je programski jezik

Skup činjenica je baza podataka. U obliku činjenice, program bilježi podatke koji su prihvaćeni kao istiniti i ne zahtijevaju dokaz.

Pravila koriste se za uspostavljanje odnosa između objekata na temelju dostupnih činjenica.

Struktura pravila:

<имя_правила> :- <тело правила>ili

<имя_правила >ako<тело правила>

Lijeva strana pravila zaključivanja zove se glava pravila, a desna strana je tijelo. Tijelo se može sastojati od nekoliko uvjeta, odvojenih zarezom ili točkom i zarezom. Zarez znači logičku operaciju I, točka i zarez znači logičku operaciju ILI. Rečenice koriste varijable za generalizaciju pravila zaključivanja. Varijable vrijede samo u jednoj rečenici. Naziv u različitim rečenicama odnosi se na različite predmete. Sve rečenice moraju završavati točkom.

Primjeri pravila:

majka (X, Y): - roditelj (X, Y), žena (X).

student (X) :- studira (X, institut); studija (X, sveučilišni).

Pravilo se razlikuje od činjenice po tome što je činjenica uvijek istinita, a pravilo je istinito ako su zadovoljene sve tvrdnje koje čine tijelo pravila. Forma činjenica i pravila baza znanja.

Ako imate bazu podataka, možete pisati zahtjev(cilj) njoj. Zahtjev je iskaz problema koji program mora riješiti. Njegova je struktura ista kao kod pravila ili činjenice. Postoje upiti s konstantama i upiti s varijablama.

Upiti s konstantama omogućuju vam da dobijete jedan od dva odgovora: "da" ili "ne"

Na primjer, postoje činjenice:

zna (Lena, Tanya).

zna (Lena, Sasha).

zna (Sasha, Tanya).

a) Poznaje li Lena Sashu?

zahtjev: zna (Lena, Sasha).

Proizlaziti: Da

b) Poznaje li Tanya Lenu?

zahtjev zna (Tanja, Lena).

Proizlaziti: Ne

Ako upit uključuje varijablu, tumač pokušava pronaći njezine vrijednosti tako da upit bude istinit.

a) Koga Lena poznaje?

zahtjev: zna (Lena, X).

Proizlaziti:

X = Tanja

X = Saša

b) Tko poznaje Sashu?

zahtjev: zna (X, Sasha).

Proizlaziti: X = Lena

Upiti mogu biti složeni, odnosno mogu se sastojati od nekoliko jednostavnih upita. Objedinjeni su znakom “,”, koji se shvaća kao logički veznik “i”.

Jednostavni upiti se nazivaju podcilj, složeni zahtjev prihvaća pravo značenje kada je svaki podcilj istinit.

Da biste odgovorili imaju li Lena i Sasha zajedničke poznanike, trebali biste kreirati upit:

zna (Lena, X), zna (Sasha, X).

Proizlaziti:

X = Tanja

5.4. Varijable u PROLOG-u

Varijabla u PROLOG-u ne tretira se kao dodijeljeno područje memorije. Koristi se za označavanje objekta koji se ne može nazvati imenom. Varijabla se može uzeti u obzir mjesni naziv za neki predmet.

Ime varijable mora počinjati s veliko slovo ili podvlaku i sadrže samo slova, brojeve i podvlake: X, _y, AB, X1. Poziva se varijabla koja nema vrijednost besplatno, varijabla koja ima vrijednost – specifično.

Poziva se varijabla koja se sastoji samo od podvlake anoniman i koristi se ako je njegova vrijednost nevažna. Na primjer, postoje činjenice:

roditelj (Ira, Tanya).

roditelj (Misha, Tanya).

roditelj (Olya, Ira).

Obavezno identificirati sve roditelje

Zahtjev: roditelj(X, _)

Proizlaziti:

X = Ira

X = Miša

X = Olja

Opseg varijable je tvrdnja. Unutar izjave, isto ime pripada istoj varijabli. Dvije izjave mogu koristiti isti naziv varijable na potpuno različite načine.

U PROLOG-u nema operatora dodjele, njegovu ulogu ima operator jednakosti =. Cilj X=5 može se smatrati usporedbom (ako varijabla X ima vrijednost) ili dodjelom (ako je varijabla X slobodna).

U PROLOG-u ne možete napisati X=X+5 da povećate vrijednost varijable. Treba koristiti novu varijablu: Y=X+5.

5.5. Objekti i tipovi podataka u PROLOG-u

Objekti podataka u PROLOG-u se pozivaju termi. Termin može biti konstanta, varijabla ili složeni termin (struktura). Konstante su cijeli i realni brojevi (0, - l, 123.4, 0.23E-5), kao i atomi.

Atom– bilo koji niz znakova unutar navodnika. Navodnici se izostavljaju ako niz počinje malim slovom i sadrži samo slova, brojke i podvlake (to jest, ako se može razlikovati od oznaka varijabli). Primjeri atoma:

abcd, “a+b”, “student Ivanov”, prolog, “Prolog”.

Struktura omogućuje spajanje nekoliko objekata u jednu cjelinu. Sastoji se od funktora (ime) i niza članova.

Broj komponenti u strukturi naziva se arnost strukture: data/3.

Struktura može sadržavati drugu strukturu kao jedan od svojih objekata.

rođendan_dan (osoba (“Maša”, “Ivanova”), podaci (15. travnja 1983.))

Domena u PROLOG-u se naziva tip podataka. Standardne domene su:

integer – cijeli brojevi.

real – realni brojevi.

string – nizovi (bilo koji niz znakova unutar navodnika).

char je jedan znak okružen apostrofima.

simbol – niz latinična slova, brojevi i podvlake, počevši s malim slovom ili bilo koji niz znakova unutar navodnika.

5.6. Glavni dijelovi PROLOG programa

Obično se PROLOG program sastoji od četiri odjeljka.

DOMENE– odjeljak za opis domena (tipova). Ovaj se odjeljak koristi ako program koristi nestandardne domene.

Na primjer:

PREDIKATI – dio opisa predikata. Odjeljak se koristi ako program koristi nestandardne predikate.

Na primjer:

zna (ime, ime)

ime studenta)

KLAUZULE – odjeljak s prijedlozima. U ovom odjeljku su napisane rečenice: činjenice i pravila zaključivanja.

Na primjer:

zna (Lena, Ivan).

student (Ivan).

upoznati_student(X, Y):- zna(X, Y), student(Y).

CILJ – ciljni odjeljak. Zahtjev je napisan u ovom odjeljku.

Na primjer:

znak_student(lena, X).

Najjednostavniji program može sadržavati samo odjeljak CILJ, na primjer:

write ("Unesite svoje ime: "), readln (ime),

write("Zdravo, ", Ime, "!").